loss 加权_为每个类别/实例编写自定义损失加权,对,的,loss

最近需要一种自定义loss，可以对每个实例的loss进行不同的加权。在网上找到的代码，没有我想要的，因此首先对torch的loss进行了研究。

torch的loss有包装在nn.Module之中的，有在nn.functional之中的，两种的区别就是前者需要torch对参数进行维护，如果没有parameter不用算梯度的话，就是多占了几个参数的区别而已。torch本身的nn.BCEloss就是调用了一个functional叫binary_cross_entropy，代码非常简单。

class BCELoss(_WeightedLoss):

__constants__ = ['reduction', 'weight']

def __init__(self, weight=None, size_average=None, reduce=None, reduction='mean'):

super(BCELoss, self).__init__(weight, size_average, reduce, reduction)

def forward(self, input, target):

return F.binary_cross_entropy(input, target, weight=self.weight, reduction=self.reduction)

而torch之中是有两个loss的大类的，分别是_Loss和_WeightedLoss

class _Loss(Module):

def __init__(self, size_average=None, reduce=None, reduction='mean'):

supe