Traceback (most recent call last): File "D:/HBISHE/04/105/SRGAN/test3match.py", line 56, in <module> weight.append(param.numpy()) AttributeError: 'int' object has no attribute 'numpy'

这个错误消息表明，在尝试将参数转换为numpy数组时，出现了一个'int'对象没有'numpy'属性的错误。这个错误通常意味着你正在尝试将一个整数（int）对象转换为numpy数组，这是不可能的。

在这种情况下，你可以使用torch.tensor()函数将int类型的参数转换为tensor，如下所示：

weights = torch.load('weights.pth')
weight = []
for name, param in weights.items():
    weight.append(torch.tensor(param).numpy())
weight = np.array(weight)
weight = torch.from_numpy(weight).permute(1, 0, 2, 3).contiguous()

这将首先使用torch.tensor()将整数参数转换为tensor，然后使用numpy()函数将其转换为numpy数组。这样就可以避免出现'int'对象没有'numpy'属性的错误了。

相关问题

Traceback (most recent call last): File "D:/HBISHE/04/105/SRGAN/test3match.py", line 57, in <module> weight.append(torch.tensor(param).numpy()) RuntimeError: Could not infer dtype of collections.OrderedDict

这个错误消息表明无法推断collections.OrderedDict的dtype（数据类型）。这通常是由于torch.load()函数读取的权重不兼容所导致的。你可以尝试指定map_location参数为cpu，如下所示：

weights = torch.load('weights.pth', map_location=torch.device('cpu'))
weight = []
for name, param in weights.items():
    weight.append(torch.tensor(param).numpy())
weight = np.array(weight)
weight = torch.from_numpy(weight).permute(1, 0, 2, 3).contiguous()

这将使用cpu作为映射位置，强制读取权重时使用cpu。如果你的权重是在GPU上训练的，而你尝试在没有GPU的机器上运行脚本，则需要使用此参数。这样就可以避免出现RuntimeError: Could not infer dtype of collections.OrderedDict错误了。

Traceback (most recent call last): File "D:/HBISHE/04/105/SRGAN/test3match.py", line 58, in <module> weight = weight.permute(1, 0, 2, 3).contiguous() AttributeError: 'collections.OrderedDict' object has no attribute 'permute'

这个错误提示表明 `weight` 对象是一个 `collections.OrderedDict` 类型，而 `permute` 方法是 pytorch 的 tensor 对象的方法，因此不能直接对 `weight` 进行 `permute` 操作。

可能的原因是你在代码中使用了一个 `collections.OrderedDict` 类型的对象 `weight`，但是你之前的代码中没有将其转换为 pytorch 的 tensor 对象。你需要检查代码，找到对 `weight` 对象赋值的地方，并确保将其转换为 pytorch 的 tensor 对象。

如果你确定 `weight` 对象已经是一个 pytorch 的 tensor 对象，那么可能是因为之前的操作导致了 `weight` 对象的类型发生了变化。在这种情况下，你可以尝试使用 `tensor.detach().clone()` 方法创建一个新的 tensor 对象，并对其进行 `permute` 操作。例如：

weight = weight.detach().clone().permute(1, 0, 2, 3).contiguous()

这样可以避免直接修改 `weight` 对象的类型，而是创建一个新的 tensor 对象进行修改。