错误：尝试在自定义 HF 数据集上使用 trainer.train（） 时，vars（） 参数必须具有__dict__属性？

问：

我有以下模型，我正在尝试微调（CLIP_ViT + 分类头）。这是我的模型定义：

class CLIPNN(nn.Module):

    def __init__(self, num_labels, pretrained_name="openai/clip-vit-base-patch32", dropout=0.1):
        super().__init__()
        self.num_labels = num_labels
        # load pre-trained transformer & processor
        self.transformer = CLIPVisionModel.from_pretrained(pretrained_name)
        self.processor = CLIPProcessor.from_pretrained(pretrained_name)
        # initialize other layers (head after the transformer body)
        self.classifier = nn.Sequential(
            nn.Linear(512, 128, bias=True),
            nn.ReLU(inplace=True),
            nn.Dropout(p=dropout, inplace=False),
            nn.Linear(128, self.num_labels, bias=True))
        
        def forward(self, inputs, labels=None, **kwargs):
            logits = self.classifier(inputs)
            loss = None
            if labels is not None:
                loss_fct = nn.CrossEntropyLoss()
                loss = loss_fct(logits.view(-1, self.num_labels), labels.view(-1))

            return SequenceClassifierOutput(
                loss=loss,
                logits=logits,
            )

我还有以下数据集定义：

class CLIPDataset(nn.utils.data.Dataset):
    def __init__(self, embeddings, labels):
        self.embeddings = embeddings
        self.labels = labels

    def __getitem__(self, idx):
        item = {"embeddings": nn.Tensor(self.embeddings[idx])}
        item['labels'] = nn.LongTensor([self.labels[idx]])
        return item

    def __len__(self):
        return len(self.labels)

注意：这里我假设模型是预先计算的嵌入而不是计算嵌入，如果我想微调 CLIP 基本模型，我知道这不是正确的逻辑，我只是想让我的代码工作。

像这样的东西会抛出一个错误：

model = CLIPNN(num_labels=2)
train_data = CLIPDataset(train_data, y_train)
test_data = CLIPDataset(test_data, y_test)

trainer = Trainer(
    model=model, args=training_args, train_dataset=train_data, eval_dataset=test_data
)
trainer.train()

TypeError Traceback（最近一次调用最后一次）在 ----> 1 trainer.train（）

~/anaconda3/envs/pytorch_latest_p37/lib/python3.7/site-packages/transformers/trainer.py 在火车上（自我、resume_from_checkpoint、试用、ignore_keys_for_eval、 **kwargs） 1256 self.control = self.callback_handler.on_epoch_begin（args， self.state， self.control） 1257 → 1258 用于步进，枚举 （epoch_iterator） 中的输入： 1259 1260 # 如果恢复训练，请跳过任何已训练的步骤

~/anaconda3/envs/pytorch_latest_p37/lib/python3.7/site-packages/torch/utils/data/dataloader.py in next（self） 515 如果 self._sampler_iter 为 None： 516 self._reset（） → 517 数据 = self._next_data（） 518 self._num_yielded += 1 519 如果 self._dataset_kind == _DatasetKind.Iterable 和 \

~/anaconda3/envs/pytorch_latest_p37/lib/python3.7/site-packages/torch/utils/data/dataloader.py in _next_data（self） 555 def _next_data（self）： 556 index = self._next_index（） # 可能会引发 StopIteration → 557 data = self._dataset_fetcher.fetch（index） # 如果出现以下情况，可能会引发 StopIteration 558 self._pin_memory：559 个数据 = _utils.pin_memory.pin_memory（data）

~/anaconda3/envs/pytorch_latest_p37/lib/python3.7/site-packages/torch/utils/data/_utils/fetch.py in fetch（self， possibly_batched_index） 45 else： 46 data = self.dataset[possibly_batched_index] —> 47 返回 self.collate_fn（数据）

~/anaconda3/envs/pytorch_latest_p37/lib/python3.7/site-packages/transformers/data/data_collator.py 在 default_data_collator（features， return_tensors） 64 65 if return_tensors == “pt”： —> 66 返回 torch_default_data_collator（功能） 67 elif return_tensors == “tf”： 68 返回tf_default_data_collator（功能）

~/anaconda3/envs/pytorch_latest_p37/lib/python3.7/site-packages/transformers/data/data_collator.py 在torch_default_data_collator（功能） 80 81 如果不是 isinstance（features[0]， （dict， BatchEncoding））： —> 82 个特征 = [vars（f） for f in features] 83 first = features[0] 84 batch = {}

~/anaconda3/envs/pytorch_latest_p37/lib/python3.7/site-packages/transformers/data/data_collator.py in （.0） 80 81 if not isinstance（features[0]， （dict， BatchEncoding））： —> 82 个特征 = [vars（f） for f in features] 83 first = features[0] 84 批处理 = {}

TypeError：vars（） 参数必须具有 dict 属性

知道我做错了什么吗？