遇到報錯：ValueError: optimizer got an empty parameter list

在pycharm上也是報相同的錯誤

完整程式碼：

 1 import torch
 2 import torch.nn as nn
 3 from torch.optim import SGD
 4 import torch.utils.data as Data
 5 from sklearn.datasets import load_boston
 6 from sklearn.preprocessing import StandardScaler
 7 import pandas as pd
 
 8 import numpy as np
 9 import matplotlib.pyplot as plt
10 ##讀取資料
11 boston_X,boston_y= load_boston(return_X_y=True)
12 print("boston_X.shape:",boston_X.shape)
13 plt.figure()
14 plt.hist(boston_y,bins=20)
15 plt.show()
16 ##資料標準化處理
17 ss = StandardScaler(with_mean=True,with_std=True)
18 boston_Xs= ss.fit_transform(boston_X)
 
19 ##將資料預處理為可以使用pytorch進行批量訓練的形式
20 ##訓練X轉化為張量
21 train_xt= torch.from_numpy(boston_Xs.astype(np.float32))
22 ##訓練集y轉化為張量
23 train_yt = torch.from_numpy(boston_y.astype(np.float32))
24 ##將訓練集轉化為張量後，使用TensorDataset將X和Y整理到一起
25 train_data = Data.TensorDataset(train_xt,train_yt)
26 ##定義一個數據載入器，將訓練資料集進行批量處理
 

27 train_loader = Data.DataLoader(
28     dataset = train_data,   ##使用的資料集
29     batch_size = 128,       ##批量處理樣本的大小
30     shuffle = True,         ##每次迭代前打亂資料
31     num_workers = 1,        ##使用兩個程序
32 )
33 ##使用繼承Module的方式定義全連線神經網路
34 class MLPmodel(nn.Module):
35     def _init_(self):
36         super(MLPmodel,self)._init_()
37         ##定義第一個隱藏層
38         self.hidden1 = nn.Linear(
39             in_features = 13,   ##第一個隱藏層的輸入，資料的特徵數
40             out_feature = 10,   ##第一個隱藏層的輸出，神經元的數量
41             bias = True,
42         )
43         self.activel = nn.ReLU()
44         ##定義第二個隱藏層
45         self.hidden2 = nn.Linear(10,10)
46         self.active2 = nn.ReLU()
47         ##定義預測迴歸層
48         self.regression = nn.Linear(10,1)
49     ##定義網路的前向傳播路徑
50     def forward(self, x):
51         x=self.hidden1(x)
52         x=self.active1(x)
53         x=self.hidden2(x)
54         x=self.active2(x)
55         output=self.regression(x)
56         ##輸出為output
57         return output
58 ##輸出網路結構
59 mlp1 = MLPmodel()
60 print(mlp1)
61 ##對迴歸模型mlp1進行訓練並輸出損失函式的變化情況，定義優化器和損失函式
62 optimizer = SGD(mlp1.parameters(),lr=0.001)
63 loss_func = nn.MSELoss()    ##最小均方根誤差
64 train_loss_all = [ ]         ##輸出每個批次訓練的損失函式
65 ##進行訓練，並輸出每次迭代的損失函式
66 for epoch in range(30):
67     ##對訓練資料的載入器進行迭代計算
68     for step,(b_x,b_y) in enumerate(train_loader):
69         output = mlp1(b_x).flatten()     ##MLP在訓練batch上的輸出
70         train_loss = loss_func(output,b_y)  ##均方根誤差
71         optimizer.zero_grad()             ##每個迭代步的梯度初始化為0
72         train_loss.backward()             ##損失的向後傳播，計算梯度
73         optimizer.step()                  ##使用梯度進行優化
74         train_loss_all.append(train_loss.item())
75 plt.figure()
76 plt.plot(train_loss_all,"r-")
77 plt.title("Train loss per iteration")
78 plt.show()