python - 如何在pytorch中使用反向传播和自定义损失？

Question

我正在尝试实现一个暹罗网络，该网络在两个图像之间存在排名损失。如果我定义自己的损失，我是否能够执行如下反向传播步骤？当我运行它时，有时在我看来它给出的结果与单个网络给出的结果相同。

with torch.set_grad_enabled(phase == 'train'):
    outputs1 = model(inputs1)
    outputs2 = model(inputs2)
    preds1 = outputs1;
    preds2 = outputs2;

    alpha = 0.02;
    w_r = torch.tensor(1).cuda(async=True);

    y_i, y_j, predy_i, predy_j = labels1,labels2,outputs1,outputs2;
    batchRankLoss =  torch.tensor([max(0,alpha - delta(y_i[i], y_j[i])*predy_i[i] - predy_j[i])) for i in range(batchSize)],dtype = torch.float)
    rankLossPrev = torch.mean(batchRankLoss)                                             
    rankLoss = Variable(rankLossPrev,requires_grad=True)

    loss1 = criterion(outputs1, labels1)
    loss2 = criterion(outputs2, labels2)


    #total loss = loss1 + loss2 + w_r*rankLoss
    totalLoss = torch.add(loss1,loss2)
    w_r = w_r.type(torch.LongTensor)
    rankLossPrev = rankLossPrev.type(torch.LongTensor)
    mult = torch.mul(w_r.type(torch.LongTensor),rankLossPrev).type(torch.FloatTensor)
    totalLoss = torch.add(totalLoss,mult.cuda(async = True));

     # backward + optimize only if in training phase
         if phase == 'train':
            totalLoss.backward()
            optimizer.step()

            running_loss += totalLoss.item() * inputs1.size(0)

Answer 1

您有几行可以从构造函数或转换为另一种数据类型生成新的张量。执行此操作时，您将断开希望 backwards() 命令通过其进行区分的操作链。

此转换会断开图表，因为转换是不可微分的:

w_r = w_r.type(torch.LongTensor)

从构造函数构建张量将断开图的连接:

batchRankLoss = torch.tensor([max(0,alpha - delta(y_i[i], y_j[i])*predy_i[i] - predy_j[i])) for i in range(batchSize)],dtype = torch.float)

根据文档，将张量包装在变量中会将 grad_fn 设置为 None (也会断开图表的连接):

rankLoss = Variable(rankLossPrev,requires_grad=True)

假设您的 critereon 函数是可微分的，则梯度当前仅通过 loss1 和 loss2 向后流动。您的其他渐变只会流动到 mult，然后才会通过调用 type() 停止。这与您的观察结果一致，即您的自定义损失不会改变神经网络的输出。

要允许梯度通过自定义损失向后流动，您必须编写相同的逻辑，同时避免 type() 转换并计算 rankLoss 而不使用列表理解力。