PyTorch自定义损失功能

Question

自定义损失函数应如何实施？使用以下代码会导致错误：

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的预测：

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

使用https://cs230-stanford.github.io/pytorch-nlp.html#writing-a-custom-loss-function中的自定义损失函数：

在上面的代码中实现为 cus2

# criterion = cus2()使用此损失函数的取消注释代码将返回：

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

还返回警告：

UserWarning：零维张量的索引无效。这将是PyTorch 0.5中的错误。使用tensor.item（）将0暗张量转换为Python数

我没有正确实现自定义损失功能？

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])

当你这样做时，torch.sum它返回一个 0 维张量，因此警告它不能被索引。要解决此问题，请int(torch.sum(mask).item())按照建议进行操作或int(torch.sum(mask))也可以使用。

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

要修复outputs = torch.nn.functional.log_softmax(outputs, dim=1)在语句 4 之前添加的问题。请注意，在您附加的教程的情况下，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，将学习率增加到 1e-3 对我来说效果很好。

Answer 2

解决方案

以下是我在此 Kaggle Notebook 中遇到的一些自定义损失函数示例。它提供了以下自定义损失函数的实现PyTorch以及TensorFlow.

Keras 和 PyTorch 的损失函数参考

我希望这对希望了解如何制作自己的自定义损失函数的人有所帮助。

• 骰子损失
• BCE-骰子损失
• Jaccard/Intersection over Union (IoU) 损失
• 焦点损失
• 特沃斯基损失
• 焦点特沃斯基损失
• Lovasz 铰链损失
• 连击损失