所以我正在尝试使用PyTorch库来训练一个CNN。模型本身没有问题（我可以无错误地进行数据的前向传播），并且我使用DataLoader函数准备了一个自定义数据集。

这是我准备数据的代码（我省略了一些不相关的变量声明等）：

# 初始化模型  class neural_net_model(nn.Module):      # 省略       ...# 准备数据集train_data = torchvision.datasets.ImageFolder(root = TRAIN_DATA_PATH, transform = TRANSFORM_IMG)train_data_loader = data_utils.DataLoader(train_data, batch_size = BATCH_SIZE, shuffle = True)test_data = torchvision.datasets.ImageFolder(root = TEST_DATA_PATH, transform = TRANSFORM_IMG)test_data_loader = data_utils.DataLoader(test_data, batch_size = BATCH_SIZE, shuffle = True)

但是，在训练代码中（我参考了各种在线资料），当我用以下指令进行模型的前向传播时，出现了错误：

...for step, (data, label) in enumerate(train_data_loader):    outputs = neural_net_model(data)    ...

这引发了一个错误：

NotImplementedError                       Traceback (most recent call last)<ipython-input-12-690cfa6916ec> in <module>      6       7         # 前向传播----> 8         outputs = neural_net_model(images)      9         loss = criterion(outputs, labels)     10 ~\Anaconda3\lib\site-packages\torch\nn\modules\module.py in __call__(self, *input, **kwargs)    487             result = self._slow_forward(*input, **kwargs)    488         else:--> 489             result = self.forward(*input, **kwargs)    490         for hook in self._forward_hooks.values():    491             hook_result = hook(self, input, result)~\Anaconda3\lib\site-packages\torch\nn\modules\module.py in forward(self, *input)     83             registered hooks while the latter silently ignores them.     84         """---> 85         raise NotImplementedError     86      87     def register_buffer(self, name, tensor):NotImplementedError: 

我在网上找不到类似的问题，这看起来很奇怪，因为我几乎完全按照参考资料编写了代码，而且文档中对这个错误（NotImplementedError:）的定义并不明确。

你们知道这个问题的原因和解决方案吗？

• 这是网络的代码

from torch import nn, from_numpyimport torchimport torch.nn.functional as F class DeXpression(nn.Module):    def __init__(self, ):        super(DeXpression, self).__init__()        # 层1        self.convolution1 = nn.Conv2d(in_channels = 1, out_channels = 64, kernel_size = 7, stride = 2, padding = 3)        self.pooling1 = nn.MaxPool2d(kernel_size = 3, stride = 2, padding = 0)        # 层FeatEx1        self.convolution2a = nn.Conv2d(in_channels = 64, out_channels = 96, kernel_size = 1, stride = 1, padding = 0)        self.convolution2b = nn.Conv2d(in_channels = 96, out_channels = 208, kernel_size = 3, stride = 1, padding = 1)        self.pooling2a = nn.MaxPool2d(kernel_size = 3, stride = 1, padding = 1)        self.convolution2c = nn.Conv2d(in_channels = 64, out_channels = 64, kernel_size = 1, stride = 1, padding = 0)        self.pooling2b = nn.MaxPool2d(kernel_size = 3, stride = 2, padding = 0)        # 层FeatEx2        self.convolution3a = nn.Conv2d(in_channels = 272, out_channels = 96, kernel_size = 1, stride = 1, padding = 0)        self.convolution3b = nn.Conv2d(in_channels = 96, out_channels = 208, kernel_size = 3, stride = 1, padding = 1)        self.pooling3a = nn.MaxPool2d(kernel_size = 3, stride = 1, padding = 1)        self.convolution3c = nn.Conv2d(in_channels = 272, out_channels = 64, kernel_size = 1, stride = 1, padding = 0)        self.pooling3b = nn.MaxPool2d(kernel_size = 3, stride = 2, padding = 0)        # 全连接层        self.fc1 = nn.Linear(45968, 1024)        self.fc2 = nn.Linear(1024, 64)        self.fc3 = nn.Linear(64, 8)    def net_forward(self, x):        # 层1        x = F.relu(self.convolution1(x))        x = F.local_response_norm(self.pooling1(x), size = 2)        y1 = x        y2 = x        # 层FeatEx1        y1 = F.relu(self.convolution2a(y1))        y1 = F.relu(self.convolution2b(y1))        y2 = self.pooling2a(y2)        y2 = F.relu(self.convolution2c(y2))        x = torch.zeros([y1.shape[0], y1.shape[1] + y2.shape[1], y1.shape[2], y1.shape[3]])        x[:, 0:y1.shape[1], :, :] = y1        x[:,  y1.shape[1]:, :, :] = y2        x = self.pooling2b(x)        y1 = x        y2 = x        # 层FeatEx2        y1 = F.relu(self.convolution3a(y1))        y1 = F.relu(self.convolution3b(y1))        y2 = self.pooling3a(y2)        y2 = F.relu(self.convolution3c(y2))        x = torch.zeros([y1.shape[0], y1.shape[1] + y2.shape[1], y1.shape[2], y1.shape[3]])        x[:, 0:y1.shape[1], :, :] = y1        x[:,  y1.shape[1]:, :, :] = y2        x = self.pooling3b(x)        # 全连接层        x = x.view(-1, x.shape[0] * x.shape[1] * x.shape[2] * x.shape[3])        x = F.relu(self.fc1(x))        x = F.relu(self.fc2(x))        x = F.log_softmax(self.fc3(x), dim = None)        return x 

回答：

你的网络类实现了一个net_forward方法。然而，nn.Module期望其派生类实现forward方法（没有net_前缀）。
只需将net_forward重命名为forward，你的代码应该就可以正常运行了。

你可以在这里了解更多关于继承和重载方法的信息。

旧答案：
你运行的代码和发布的代码并不相同。
你发布的代码是：

for step, (data, label) in enumerate(train_data_loader):    neural_net_model(data)

而你运行的代码（如错误信息中显示的）是：

# 前向传播outputs = model(images)

你得到的错误表明，你向其输入images的model是nn.Module类的一个实例，而不是从nn.Module派生的实际实现。因此，你尝试使用的实际model没有明确实现forward方法。请确保你使用的是你实现的实际模型。