RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn :class CustomLoss(nn.Module): def __init__(self): super(CustomLoss, self).__init__() def forward(self, predicted_tokens, target_tokens): scores = torch.zeros_like(target_tokens, dtype=torch.float32) for i in range(target_tokens.size(1)): target_token = target_tokens[:, i] max_score = torch.max(torch.eq(predicted_tokens, target_token.unsqueeze(dim=1)).float(), dim=1)[0] scores[:, i] = max_score loss = 1 - torch.mean(scores) return loss

这个错误通常是因为损失函数中的某个张量没有设置`requires_grad=True`，导致无法进行反向传播。为了解决这个问题，您可以在计算得分时将`predicted_tokens`和`target_tokens`设置为需要梯度计算。

请修改`forward`方法如下:

def forward(self, predicted_tokens, target_tokens):
    predicted_tokens.requires_grad = True
    target_tokens.requires_grad = True

    scores = torch.zeros_like(target_tokens, dtype=torch.float32)
    for i in range(target_tokens.size(1)):
        target_token = target_tokens[:, i]
        max_score = torch.max(torch.eq(predicted_tokens, target_token.unsqueeze(dim=1)).float(), dim=1)[0]
        scores[:, i] = max_score

    loss = 1 - torch.mean(scores)
    return loss

在这里，我们通过将`requires_grad`设置为`True`来指示PyTorch需要计算这些张量的梯度。这样，就可以在损失函数中使用这些张量，并进行反向传播。

希望这个修改能够解决您遇到的问题！如果还有其他问题，请随时提问。