HashMap<String, Linear>: Module is not satisfied
主线位置：训练主线的起点，定义模型：子模块要被
#[derive(Module)]认出来，参数才会进 backward、optimizer step 和存取。
版本：PyTorch 2.15.0（CPU）、burn 0.22.1（Flex 设备，autodiff）
flowchart TB dict["nn.ModuleDict"] --> hm["HashMap 字段"] hm --> e["E0277"] e -->|"照 note 加 skip"| skip["num_params 0"] skip --> silent["不训练 不加载"] dict -->|"具名字段"| named["heads.cls.weight"] dict -->|"Vec 加名字表"| vec["heads.0.weight 要改键名"]
实验代码：PyTorch 侧 dict.py、dict_plain.py，burn 侧 crate pitb-dict 的 bin dict_err、dict（burn =0.22.1，feature std、flex、autodiff、optim、store、safetensors，debug）。平台 M2 Max、macOS 27、rustc 1.99.0。
PyTorch 的写法
多任务模型按名字放几个输出头，PyTorch 用 nn.ModuleDict：
class Heads(nn.Module):
def __init__(self):
super().__init__()
self.heads = nn.ModuleDict({"cls": nn.Linear(8, 3), "reg": nn.Linear(8, 1)})
def forward(self, x):
return {name: head(x) for name, head in self.heads.items()}
heads.cls.weight [3, 8]
heads.cls.bias [3]
heads.reg.weight [1, 8]
heads.reg.bias [1]
num params = 36
saved keys: ['heads.cls.bias', 'heads.cls.weight', 'heads.reg.bias', 'heads.reg.weight']
dict.py 用确定的数值填参数，把 state_dict 存成 heads.safetensors，下面 burn 侧读的就是它。用 ModuleDict 而不是普通 dict，是因为普通 dict 里的层不会被登记（dict_plain.py）：
plain dict: num params = 0 | state_dict keys = []
搬到 burn 的现象
直译成 HashMap（bin dict_err）：
#[derive(Module, Debug)]
struct Heads {
heads: HashMap<String, Linear>,
}
error[E0277]: the trait bound `HashMap<String, burn::nn::Linear>: Module` is not satisfied
--> src/bin/dict_err.rs:5:10
|
5 | #[derive(Module, Debug)]
| ^^^^^^ the trait `Module` is not implemented for `HashMap<String, burn::nn::Linear>`
|
= note: If `HashMap<String, burn::nn::Linear>` is used as configuration or runtime state in a `#[derive(Module)]` type, mark that field with `#[module(skip)]`.
= help: the following other types implement trait `Module`:
(L0, L1)
(L0, L1, L2)
...
and 124 others
...
error: could not compile `pitb-dict` (bin "dict_err") due to 10 previous errors
编译器给的路只有一条：#[module(skip)]。照做之后能编译，能 forward，能 backward，什么都不报（bin dict 的 skip 模式）：
#[derive(Module, Debug)]
struct SkipHeads {
#[module(skip)]
heads: HashMap<String, Linear>,
}
let mut model = SkipHeads { heads: HashMap::from([("cls".to_string(), cls), ("reg".to_string(), reg)]) };
println!("num_params = {}", model.num_params());
match model.load_from(&mut store()) { // 读 heads.safetensors，带 PyTorchToBurnAdapter
Ok(r) => println!("load: Ok\n{r}"),
Err(e) => println!("load: Err\n{e}"),
}
let before = model.heads["cls"].weight.val().detach();
let x = input(&device);
let loss = model.heads["cls"].forward(x.clone()).mean() + model.heads["reg"].forward(x).mean();
let grads = GradientsParams::from_grads(loss.backward(), &model);
println!("GradientsParams::len() = {}", grads.len());
let model = optim.step(0.1, model, grads);
// 打印 cls 的权重变没变，以及 valid() 之后还在不在 autodiff 上
num_params = 0
load: Ok
┌─ Tensor Loading Summary ─────────────────────────
│
│ ✓ Successfully applied: 0 tensors
│ ⊘ Skipped (filtered): 0 tensors
│ ✗ Missing in source: 0 tensors
│ ? Unused in target: 4 tensors
│ ! Errors: 0 errors
│
├─ Unused Tensors (in source but not used by model)
│
│ First 10 unused tensors:
│ • heads.cls.bias
│ • heads.cls.weight
│ • heads.reg.bias
│ • heads.reg.weight
│
└───────────────────────────────────────────────────
GradientsParams::len() = 0
heads[cls].weight unchanged after step: true
after valid(): heads[cls].weight is_autodiff = true
四件事同时发生，没有一个报错：参数个数是 0；读 PyTorch 的权重返回 Ok，一个张量都没用上，两个头还是随机初始化；训练一步没有梯度、权重不动；valid() 之后这两层还在 autodiff 设备上。这和 PyTorch 普通 dict 的「参数 0 个」是同一个坑，区别是 PyTorch 那边有 ModuleDict 可换，burn 这边编译器把人引向了它。
原因
#[derive(Module)] 把认不出的字段类型都当子模块，要求它实现 Module；HashMap 没有实现。0.22.1 里实现了 Module 的容器是 Option<T>、Vec<T>、[T; N] 和元组，没有任何按名字索引的容器。origin/main 在同一个文件里加了 Box<T>（#6059），仍然没有 HashMap / BTreeMap。
E0277 的 note 来自 Module 上的 #[diagnostic::on_unimplemented]。它对所有没实现 Module 的字段说同一句话，写的是配置和运行状态的情形（burn 卷the trait bound X: Module is not satisfied讲的就是那种），不区分字段里装的是不是层。
skip 字段在派生代码里是透明的：num_params、visit、map 不进去（所以没有参数、优化器和 burn-store 看不见它），gen_valid 对它只生成 self.#name.clone()，to_device、train 原样搬过去。所以 valid() 之后里面的 Linear 还在 autodiff 上（上面输出的最后一行），换设备也不会跟着走。
加载返回 Ok 是因为 burn-store 默认只把「模型要、文件里没有」算错（Missing in source）；文件里多出来的（Unused in target）只记在报告里。机制见导入 PyTorch 权重。
改法
每个头一个具名字段
头的名字在写代码时就知道，就写成结构体字段。路径是字段名用 . 连起来，heads.cls.weight 和 ModuleDict 的键一模一样，PyTorch 的权重直接能读：
#[derive(Module, Debug)]
struct Named {
cls: Linear,
reg: Linear,
}
#[derive(Module, Debug)]
struct NamedHeads {
heads: Named,
}
num_params = 36
load: Ok
┌─ Tensor Loading Summary ─────────────────────────
│
│ ✓ Successfully applied: 4 tensors
│ ⊘ Skipped (filtered): 0 tensors
│ ✗ Missing in source: 0 tensors
│ ? Unused in target: 0 tensors
│ ! Errors: 0 errors
│
└───────────────────────────────────────────────────
valid() 之后对同一个输入前向，和 PyTorch 的输出比：
cls n= 6 max|diff|=0.00e+00
reg n= 2 max|diff|=1.49e-08
worst=1.49e-08 tol=1e-06 OK
reg 的 1.49e-8 是 8 项点积的求和顺序不同（为什么不是 0 见怎么读这一卷）。
名字在运行期才知道：Vec 加名字表
头的个数和名字来自配置，用 Vec<Linear> 装层，名字另存一张表，表本身标 skip（它确实是配置）：
#[derive(Module, Debug)]
struct VecHeads {
heads: Vec<Linear>,
#[module(skip)]
names: Vec<String>,
}
Vec 的路径用下标，heads.0.weight，和 ModuleDict 的 heads.cls.weight 对不上。直接读：
load: Err
Tensor not found:
┌─ Tensor Loading Summary ─────────────────────────
│
│ ✓ Successfully applied: 0 tensors
│ ⊘ Skipped (filtered): 0 tensors
│ ✗ Missing in source: 4 tensors
│ ? Unused in target: 4 tensors
│ ! Errors: 0 errors
│
├─ Missing Tensors (requested by model but not found in source)
│
│ First 10 missing tensors:
│ • heads.0.bias
│ Did you mean: 'heads.reg.bias'?
│ • heads.0.weight
│ Did you mean: 'heads.cls.weight'?
...
这回是硬错误，而且「Did you mean」把 heads.0.bias 猜成了 heads.reg.bias，按相似度猜的建议不能照抄。按名字表的顺序写键名映射，with_key_remapping：
let mut st = store()
.with_key_remapping(r"^heads\.cls\.", "heads.0.")
.with_key_remapping(r"^heads\.reg\.", "heads.1.");
num_params = 36
load: Ok
...
│ ✓ Successfully applied: 4 tensors
...
cls n= 6 max|diff|=0.00e+00
reg n= 2 max|diff|=1.49e-08
worst=1.49e-08 tol=1e-06 OK
forward 里按名字取下标：model.heads[model.names.iter().position(|n| n == "cls")...]。
怎么检查
- 定义完模型先打印
num_params()，和 PyTorch 的sum(p.numel() for p in model.parameters())比（BatchNorm 会多算运行统计，见参数与遍历）。 - 只在装配置或运行状态的字段上用
#[module(skip)]；字段类型里出现Linear、Conv2d这类层，或者Param、Tensor，就不该 skip。 - 读完权重打印
load_from返回的报告，Unused in target不是 0 就说明有权重没用上，Ok不代表读进去了。 - 训练第一步打印
GradientsParams::len()，和参数张量的个数比。
小结
- burn 0.22.1 没有
ModuleDict的对应，HashMap<String, Linear>字段报 E0277，note 建议#[module(skip)]。 - 照做后
num_params为 0，读权重返回Ok但 4 个张量都没用上，训练不更新，valid()不把它移出 autodiff。 - 名字固定：每个头一个具名字段，键名和 PyTorch 相同，输出最大差 1.49e-8。
- 名字来自配置：
Vec<Linear>加#[module(skip)] names，加载时用with_key_remapping把heads.cls.映射成heads.0.。