PyTorch 自定义损失函数

Question

应该如何实现自定义损失函数？使用下面的代码会导致错误：

import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
import numpy as np
import matplotlib.pyplot as plt
import torch.utils.data as data_utils
import torch.nn as nn
import torch.nn.functional as F

num_epochs = 20

x1 = np.array([0,0])
x2 = np.array([0,1])
x3 = np.array([1,0])
x4 = np.array([1,1])

num_epochs = 200

class cus2(torch.nn.Module):
    
    def __init__(self):
        super(cus2,self).__init__()
    
    def forward(self, outputs, labels):
        # reshape labels to give a flat vector of length batch_size*seq_len
        labels = labels.view(-1)  

        # mask out 'PAD' tokens
        mask = (labels >= 0).float()

        # the number of tokens is the sum of elements in mask
        num_tokens = int(torch.sum(mask).data[0])

        # pick the values corresponding to labels and multiply by mask
        outputs = outputs[range(outputs.shape[0]), labels]*mask

        # cross entropy loss for all non 'PAD' tokens
        return -torch.sum(outputs)/num_tokens


x = torch.tensor([x1,x2,x3,x4]).float()

y = torch.tensor([0,1,1,0]).long()

train = data_utils.TensorDataset(x,y)
train_loader = data_utils.DataLoader(train , batch_size=2 , shuffle=True)

device = 'cpu'

input_size = 2
hidden_size = 100 
num_classes = 2

learning_rate = .0001

class NeuralNet(nn.Module) : 
    def __init__(self, input_size, hidden_size, num_classes) : 
        super(NeuralNet, self).__init__()
        self.fc1 = nn.Linear(input_size , hidden_size)
        self.relu = nn.ReLU()
        self.fc2 = nn.Linear(hidden_size , num_classes)

    def forward(self, x) : 
        out = self.fc1(x)
        out = self.relu(out)
        out = self.fc2(out)
        return out
        
for i in range(0 , 1) :
        
        model = NeuralNet(input_size, hidden_size, num_classes).to(device)
        
        criterion = nn.CrossEntropyLoss()
#         criterion = Regress_Loss()
#         criterion = cus2()
        optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)
        
        total_step = len(train_loader)
        for epoch in range(num_epochs) : 
            for i,(images , labels) in enumerate(train_loader) : 
                images = images.reshape(-1 , 2).to(device)
                labels = labels.to(device)
                
                outputs = model(images)
                loss = criterion(outputs , labels)
                
                optimizer.zero_grad()
                loss.backward()
                optimizer.step()
#                 print(loss)
                
        outputs = model(x)
        
        print(outputs.data.max(1)[1])

对训练数据做出完美预测：

tensor([0, 1, 1, 0])

使用来自here 的自定义损失函数：

在上面的代码中实现为cus2

取消注释代码# criterion = cus2() 以使用此损失函数返回：

tensor([0, 0, 0, 0])

还会返回警告：

UserWarning：0-dim 张量的索引无效。这将是一个错误 PyTorch 0.5。使用 tensor.item() 将 0-dim 张量转换为 Python 编号

我没有正确实现自定义损失函数？

Answer 1

您的损失函数在编程上是正确的，但以下情况除外：

    # the number of tokens is the sum of elements in mask
    num_tokens = int(torch.sum(mask).data[0])

当您执行torch.sum 时，它会返回一个 0 维张量，因此会发出无法索引的警告。要解决此问题，请按照建议执行 int(torch.sum(mask).item()) 或 int(torch.sum(mask)) 也可以。

现在，您是否尝试使用自定义损失来模拟 CE 损失？如果是，那么您错过了log_softmax

要解决此问题，请在语句 4 之前添加 outputs = torch.nn.functional.log_softmax(outputs, dim=1)。请注意，如果您已附加教程，log_softmax 已在前向调用中完成。你也可以那样做。

另外，我注意到学习速度很慢，即使有 CE 损失，结果也不一致。在自定义和 CE 损失的情况下，将学习率提高到 1e-3 对我来说效果很好。

Answer 2

解决方案

以下是我在this Kaggle Notebook 中遇到的一些自定义损失函数示例。它在PyTorch 和TensorFlow 中提供了以下自定义损失函数的实现。

Loss Function Reference for Keras & PyTorch

我希望这对任何想了解如何制作自己的自定义损失函数的人有所帮助。

• Dice Loss
• BCE-Dice Loss
• Jaccard/Intersection over Union (IoU) Loss
• Focal Loss
• Tversky Loss
• Focal Tversky Loss
• Lovasz Hinge Loss
• Combo Loss

Answer 3

如果你使用手电筒功能应该没问题

import torch 

def my_custom_loss(output, target):
    loss = torch.mean((output-target*2)**3)
    return loss

# Forward pass to the Network
# then, 
loss.backward()