RuntimeError: Input type (torch.FloatTensor) and weight type (torch.cuda.FloatTensor)

错误：
RuntimeError: Input type (torch.FloatTensor) and weight type (torch.cuda.FloatTensor) should be the same
RuntimeError:输入类型(torch.FloatTensor)和权重类型(torch.cuda.FloatTensor)应该相同，或者输入应该是一个MKLDNN张量，而权重是一个密集张量。 

     
问题原因：

       错误内容就在类型不匹配，根据报错内容可以看出Input type（输入的数据）为torch.FloatTensor（CPU数据类型），而weight type（即网络权重参数这些）为torch.cuda.FloatTensor（GPU数据类型）。

两个解决方案

方案一：Input type进行转换

对Inputs进行转换。

inputs为输入数据进行实例化的表示

1. device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
   print(torch.cuda.is_available())
    
   inputs = inputs.to(device)    #1, 通过to（device）方法    	
   inputs = inputs.cuda()		  #2，通过直接指定输入cuda类型		
   

若与上面错误是反的，即 RuntimeError: Input type (torch.cuda.FloatTensor) and weight type (torch.FloatTensor) should be the same

那就同理，对net进行转换。

net为神经网络进行实例化的表示
 

net = Unet()
device = torch.device('cuda:0')
net= net.to(device)
net = net.cuda()
 
​

方案二：模型定义全放在类的初始化里

把所有的网络层（只要有参数需要训练的网络层）都放到 __init__()函数里面去定义，只在 forward()中写运行时的逻辑，即：

class A(nn.Module):
    def __init__(self):
        super(A,self).__init__()
        self.conv = nn.Conv2d(in_channels=3, out_channels=8, kernel_size=3)
        self.relu = nn.ReLU(inplace=True)
        self.b_module = B()
 
    def forward(self,x):
        out = self.conv(x)
        out = self.relu(out)
        out = self.b_module(out)
        return out
 
class B(nn.Module):
    def __init__(self):
        super(B,self).__init__()
        self.conv = nn.Conv2d(in_channels=8, out_channels=16, kernel_size=3)
        self.relu = nn.ReLU(inplace=True)
 
    def forward(self, x):
        out = self.conv(x)
        out = self.relu(out)
        return out