我正在尝试实现一个简单的MDN模型，该模型预测目标变量分布的参数而不是点值，然后为点值的离散区间分配概率。在缩小问题范围后，导致’None’出现的代码如下：

import torch# paramstte_bins = np.linspace(    start=0,     stop=399,     num=400,     dtype='float32').reshape(1, 1, -1)bins = torch.tensor(tte_bins, dtype=torch.float32)x_train = np.random.randn(1, 1024, 3)y_labels = np.random.randint(low=0, high=399, size=(1, 1024))y_train = np.eye(400)[y_labels]# datain_train = torch.tensor(x_train[0:1, :, :], dtype=torch.float)in_train = (in_train - torch.mean(in_train)) / torch.std(in_train)out_train = torch.tensor(y_train[0:1, :, :], dtype=torch.float)# modellinear = torch.nn.Linear(in_features=3, out_features=2)lin = linear(in_train)preds = torch.exp(lin)# intermediate valuesalpha = torch.clamp(preds[0:1, :, 0:1], 0, 500)beta = torch.clamp(preds[0:1, :, 1:2], 0, 100)# probsp1 = torch.exp(-torch.pow(bins / alpha, beta))p2 = torch.exp(-torch.pow((bins + 1.0) / alpha, beta))probs = p1 - p2# lossloss = torch.mean(torch.pow(out_train - probs, 2))# gradientsloss.backward()for p in linear.parameters():    print(p.grad, 'gradient')

in_train的形状为：[1, 1024, 3]，out_train的形状为：[1, 1024, 400]，bins的形状为：[1, 1, 400]。所有的广播操作等看起来都没有问题，结果矩阵（如alpha/beta/loss）的形状和值都是正确的——只是没有梯度。

编辑：添加了loss.backward()和x_train/y_train，现在我得到了nans。

回答：

你只是忘记了计算梯度。虽然你计算了损失，但你从未告诉pytorch它应该相对于哪个函数计算梯度。

只需在你的代码中添加

loss.backward()

就可以解决这个问题。

此外，在你的代码中，一些中间结果如alpha有时为零，但在计算梯度时却在分母中。这将导致你观察到的nan结果。