RuntimeError：无法在需要 grad 的变量上调用 numpy()。改用 var.detach().numpy()答案

【问题标题】：RuntimeError: Can't call numpy() on Variable that requires grad. Use var.detach().numpy() insteadRuntimeError：无法在需要 grad 的变量上调用 numpy()。改用 var.detach().numpy()
【发布时间】：2020-03-19 06:09:32
【问题描述】：

我是 pytorch 的新手。我试图通过计算绝对和相对距离并将它们连接起来来实现自定义损失函数。

def distance(p1, p2,labels):
        """
        Returns the distance between the point sets p1 and p2
        p1 = m by d matrix containing a set of points
        p2 = m by d matrix containing a different set of points

        returns: an m-length vector containing the  distance from each point in
            p1 to the corresponding point in p2
        """
        if not np.all(p1.shape == p2.shape):
            raise ValueError("p1 and p2 must be the same shape.")
        d = p1.shape[1]

        features = np.zeros(dtype=np.float32, shape=(p1.shape[0], d * 2))
        features[:, :d] = np.abs(p1 - p2)
        features[:, d:] = (p1 + p2) / 2

        return  features

当我尝试运行它时出现问题并且我得到以下错误：

文件“...第 34 行，远处

features[:, :d] = np.abs(p1 - p2)

文件“...\Anaconda2\envs\tensorflow_gpuenv\lib\site-packages\tensorflow\python\util\dispatch.py”，第 180 行，在包装器中返回目标(*args, **kwargs)

文件“...\lib\site-packages\tensorflow\python\ops\math_ops.py”，第 266 行，abs x = ops.convert_to_tensor(x, name="x")

文件“...\lib\site-packages\tensorflow\python\framework\ops.py”，第 1087 行，在 convert_to_tensor 中 return convert_to_tensor_v2(value, dtype, preferred_dtype, name)

RuntimeError: Can't call numpy() on Variable that requires grad. Use var.detach().numpy() instead.

【问题讨论】：

你在混合使用 tensorflow 和 pytorch 吗？
我是 pytorch 新手，如果有什么可以纠正我的话
Pytorch 和 Tensorflow 是两个完全不同的东西。它们不能混合。您必须在 Pytorch 的帮助和文档中搜索您想要的功能。它与带有自定义训练循环的 Tensorflow 的 Eager 模式非常相似，并且模型的创建类似于新的 keras“子类化”样式。学起来不会很难，但是如果你用 PyTorch，你就只能用 PyTorch。
所以我要纠正这个问题...你能帮帮我吗？
只使用pytorch函数，不要使用numpy函数，不要使用tensorflow函数。

标签： python keras pytorch

【解决方案1】：

该错误会准确地告诉您出了什么问题。您需要首先将 pytorch 张量转换为 numpy 数组。你可以使用 .detach().numpy()

所以你可以在你的函数里面放：

def distance(p1, p2, labels):
    p1 = p1.detach().numpy()
    p2 = p2.detach().numpy()
    labels = labels.detach().numpy()

尽管知道张量是为了加快计算速度，但将它们转换为数组意味着增加计算时间。因此，按照 cmets 中的建议查看 pytorch 函数绝对是最好的方法。

【讨论】：

另外，保留所有 torch 用于反向传播也很重要。
绝对。但只要你转换函数内的所有内容，一切都很好。当我想使用自定义分数指标检查结果时，我有时会自己做。
真的吗？它如何知道 numpy 操作的导数？
好吧，你是对的，我刚刚阅读了函数“距离”的名称，并错过了它的目的是做一个损失函数。在这种情况下，你当然需要张量。
（半）与您的 cmets 相关：在计算指标时，是否有理由要使用 numpy 操作而不是 torch 操作？这就是他们在 Andrew Ng 的教程（转换为 numpy）中的做法。我刚刚向 a question 询问过这个问题，如果您能提供任何见解，我将不胜感激。