select tokens.id,tokens.handsel_rule,tokens.`name`,tokens.resource_type,tokens.build_task_id,e_secondary_market_product.`status` from tokens, e_secondary_market_product where tokens.id = e_secondary_market_product.token_id AND tokens.contract_id = 306 AND e_secondary_market_product.`status` = 3

这似乎是一个 SQL 查询语句，根据指定的条件从两个表中检索数据。它返回了 tokens 表中 id、handsel_rule、name、resource_type 和 build_task_id 列，以及 e_secondary_market_product 表中 status 列，这两个表之间通过 token_id 进行关联，并且 tokens 表中的 contract_id 等于 306，同时 e_secondary_market_product 表中的 status 等于 3。

相关问题

def forward(self, predicted_tokens, target_tokens): # 设置允许梯度计算 #predicted_tokens = predicted_tokens.requires_grad_() #target_tokens = target_tokens.requires_grad_() 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

在您提供的代码中，您试图使用`requires_grad_()`方法设置`predicted_tokens`和`target_tokens`的`requires_grad`属性为`True`。然而，这是不正确的用法，因为`requires_grad_()`方法返回的是原张量本身，并不会改变原张量的`requires_grad`属性。

要正确设置`predicted_tokens`和`target_tokens`的`requires_grad`属性为`True`，您可以使用以下代码：

predicted_tokens.requires_grad = True
target_tokens.requires_grad = True

将这两行代码添加到您的代码中，以确保这两个张量在计算梯度时被跟踪。

请注意，只有在需要计算梯度的张量上调用`requires_grad_()`方法才会更改其属性。对于不需要计算梯度的张量（例如输入数据），您可以将其保持为不可训练状态。

如果您还有其他问题，请随时提问。

Variable._execution_engine.run_backward( # Calls into the C++ engine to run the backward pass 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): # 设置允许梯度计算 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

这个错误通常是因为在计算损失函数时，某个张量没有设置梯度计算，但在反向传播时却尝试计算其梯度。为了解决这个问题，您可以将张量的`requires_grad`属性设置为`True`，以确保其梯度可以被计算。

请修改您的代码如下：

class CustomLoss(nn.Module):
    def __init__(self):
        super(CustomLoss, self).__init__()

    def forward(self, predicted_tokens, target_tokens):
        # 设置允许梯度计算
        predicted_tokens = predicted_tokens.requires_grad_()
        target_tokens = target_tokens.requires_grad_()

        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

在上述代码中，我们使用了`.requires_grad_()`方法来将`predicted_tokens`和`target_tokens`的`requires_grad`属性设置为`True`，以确保它们的梯度可以被计算。这样，在反向传播时就不会出现上述错误。

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。