修改后的 PyTorch 损失函数 BCEWithLogitsLoss 返回 NaNs

Question

我正在尝试解决二进制分类问题（target=0 和 target=1），但有一个例外： 我的一些标签被故意归类为 target=0.5，我希望 零损失 将其分类为 0 或 1（即两个类都是“正确的”）。

我尝试根据 PyTorch 的 BCEWithLogitsLoss 从头开始​​实现自定义损失：

class myLoss(torch.nn.Module):

def __init__(self, pos_weight=1):
    super().__init__()
    self.pos_weight = pos_weight

def forward(self, input, target):
    epsilon = 10 ** -44
    my_bce_loss = -1 * (self.pos_weight * target * F.logsigmoid(input + epsilon)
                        + (1 - target) * log(1 - sigmoid(input) + epsilon))
    add_loss = (target - 0.5) ** 2 * 4
    mean_loss = (my_bce_loss * add_loss).mean()
    return mean_loss

epsilon 被选中，因此日志将限制为 -100，正如 BCE loss 中所建议的那样。

但是我仍然遇到 NaN 错误，经过几个时期：

Function 'LogBackward' returned nan values in its 0th output.

或

Function 'SigmoidBackward' returned nan values in its 0th output.

有什么建议可以纠正我的损失函数吗？也许通过某种方式继承和修改forward函数？

---

更新： 我调用自定义损失函数的方式：

y = batch[:, -1, :].to(self.device, dtype=torch.float32)
y_pred_batch = self.model(x)

LossFun = myLoss(self.pos_weight)
batch_result.loss = LossFun.forward(y_pred_batch, y)

我用Temporal Convolutional Network model，实现如下：

out = self.conv1(x)
out = self.chomp1(out)               
out = self.elu(out) 
out = self.dropout1(out)
res = x if self.downsample is None else self.downsample(x)
return self.tanh(out + res)

Answer 1

试试这个方法：

class myLoss(torch.nn.Module):

    def __init__(self, pos_weight=1):
      super().__init__()
      self.pos_weight = pos_weight

    def forward(self, input, target):
      epsilon = 10 ** -44
      input = input.sigmoid().clamp(epsilon, 1 - epsilon)

      my_bce_loss = -1 * (self.pos_weight * target * torch.log(input)
                          + (1 - target) * torch.log(1 - input))
      add_loss = (target - 0.5) ** 2 * 4
      mean_loss = (my_bce_loss * add_loss).mean()
      return mean_loss

为了测试我向后执行 1000：

target = torch.randint(high=2, size=(32,))
loss_fn = myLoss()
for i in range(1000):
  inp = torch.rand(1, 32, requires_grad=True)
  loss = loss_fn(inp, target)
  loss.backward()
  if torch.isnan(loss):
    print('Loss NaN')
  if torch.isnan(inp.grad).any():
    print('NaN')

一切正常。