AttributeError: 'super' object has no attribute '__getattr__'

AttributeError: 'super' object has no attribute '__getattr__'是一个错误提示，表示在使用super()函数时，父类对象没有__getattr__属性。

super()函数用于调用父类的方法，它返回一个临时对象，该对象绑定了父类的方法。当我们使用super()调用父类方法时，如果父类没有该方法，就会抛出AttributeError异常。

在这个错误提示中，说明在使用super()调用父类方法时，父类对象没有定义__getattr__属性。__getattr__是一个特殊方法，用于处理对象的属性访问。如果一个对象没有某个属性时，Python会调用该对象的__getattr__方法来处理。

可能的原因是在父类中没有定义__getattr__方法，或者在调用super()时传入了错误的参数。

相关问题

AttributeError: 'super' object has no attribute '__sklearn_tags__'

### 解决 `AttributeError` 错误

当遇到 `AttributeError: 'super' 对象没有属性 '__sklearn_tags__'` 这样的错误时，这通常意味着在某个类中尝试通过 `super()` 访问一个名为 `__sklearn_tags__` 的属性或方法失败了。这种问题可能源于不正确地使用超类初始化或是试图访问未定义的方法/属性。

对于特定于 scikit-learn 库的情况，如果自定义估计器(estimator) 或者转换器(transformer)，应该确保遵循 sklearn 接口约定并适当地实现必要的抽象基类(ABCs)[^1]。具体来说：

- 如果是从 `BaseEstimator` 继承，则需注意该类本身并没有提供 `__sklearn_tags__` 方法；相反，它依赖于 `_more_tags` 和其他内部机制来处理标签(tagging)。

为了修复此错误，可以采取以下措施之一：

#### 方案一：检查是否正确实现了接口
确认所创建的类确实继承自合适的 ABC 并且实现了所有必需的方法。例如，如果你正在构建一个新的分类器(classifier), 那么应当从 `ClassifierMixin`, `BaseEstimator` 中派生，并覆盖 fit, predict 等基本操作。

from sklearn.base import BaseEstimator, ClassifierMixin

class MyCustomClassifier(BaseEstimator, ClassifierMixin):
    def __init__(self):
        pass
    
    def fit(self, X, y=None):
        # 实现fit逻辑...
        return self
        
    def predict(self, X):
        # 实现predict逻辑...
        pass

#### 方案二：避免不必要的 super 调用
如果不是绝对必要的话，不要随意调用父类中的私有成员（即带有双下划线前缀的名字）。这些名称可能会被解释器修改以防止命名冲突 (name mangling)，从而使得直接引用变得困难甚至不可能。

另外值得注意的是，在大多数情况下并不需要显式地调用 `super().__getattr__('some_method')`; 只要按照标准 API 使用公共接口即可正常工作。

AttributeError: 'MultiheadAttention' object has no attribute 'out_proj'怎么解决

### 解决 PyTorch `MultiheadAttention` 对象 `AttributeError`

当遇到 `'MultiheadAttention' object has no attribute 'out_proj'` 错误时，这通常意味着使用的 PyTorch 版本与代码中的某些特性不兼容。具体来说，在较新的 PyTorch 版本中，`nn.MultiheadAttention` 的内部实现可能有所变化。

#### 可能的原因

1. **PyTorch 版本差异**
如果使用的是旧版 PyTorch，则该版本的 `MultiheadAttention` 类并不包含名为 `out_proj` 的属性[^1]。

2. **API 更改**
随着 PyTorch 不断更新迭代，一些类的方法名或属性可能会被重命名、移除或是新增。因此，如果按照某个特定版本编写的代码在其他版本上运行，就可能出现此类错误。

#### 解决策略

##### 方法一：升级/降级 PyTorch 版本
确保当前环境下的 PyTorch 是最新稳定版本，因为新功能往往会在后续版本得到支持：

pip install --upgrade torch torchvision torchaudio

或者指定安装某一个具体的版本号来匹配原始开发环境中所用到的那个版本。

##### 方法二：修改源码适配不同版本间的 API 差异
对于这个问题而言，可以通过查阅官方文档确认最新的接口定义，并据此调整自己的程序逻辑。例如，如果是由于缺少 `out_proj` 属性而引发的问题，那么可以根据实际需求决定是否需要手动创建这个投影层并将其集成到自定义模块里去。

下面是一个简单的例子展示如何处理这种情况:

import torch.nn as nn

class CustomMHA(nn.Module):
    def __init__(self, embed_dim, num_heads):
        super(CustomMHA, self).__init__()
        
        try:
            # 尝试获取 out_proj 属性 (适用于高版本)
            mha = nn.MultiheadAttention(embed_dim=embed_dim, num_heads=num_heads)
            _ = getattr(mha, "out_proj")  # 测试是否存在
            
        except AttributeError:
            # 若不存在则自行构建 (低版本适用)
            self.mha = nn.MultiheadAttention(
                embed_dim=embed_dim,
                num_heads=num_heads,
                batch_first=True
            )
            
            # 手动添加 out_proj 参数
            self.out_proj = nn.Linear(in_features=embed_dim, out_features=embed_dim)

    def forward(self, query, key, value):
        attn_output, _ = self.mha(query=query, key=key, value=value)
        if hasattr(self, 'out_proj'):
            return self.out_proj(attn_output)
        else:
            return attn_output

这段代码展示了如何通过异常捕获机制判断目标设备上的 PyTorch 是否已经包含了所需的 `out_proj` 成员变量；如果没有的话就会自己动手建立相应的线性变换操作作为替代方案。