python自定义损失函数_PyTorch中自定义损失函数的变量输入的AttributeError

我已经制作了一个自定义损失函数来计算多输出多标签问题的交叉熵(CE) . 在课堂上，我想设置我不需要渐变的目标变量 . 我在前向函数中使用类外部的预定义函数(取自pytorch源代码)来执行此操作 .

def _assert_no_grad(variable):

assert not variable.requires_grad

def forward(self, predicted, target):

"""

Computes cross entropy between targets and predictions.

"""

# No gradient over target

_assert_no_grad(target)

# Define variables

p = predicted.clamp(0.01, 0.99)

t = target.float()

#Compute cross entropy

h1 = p.log()*t

h2 = (1-t)*((1-p).log())

ce = torch.add(h1, h2)

ce_out = torch.mean(ce, 1)

ce_out = torch.mean(ce_out, 0)

# Save for backward step

self.save_for_backward(ce_out)

此时，当我在批量for循环中运行代码时(见下文)，我收到以下错误：

AttributeError：'torch.FloatTensor'对象没有属性'requires_grad'

这看起来很简单，因为我们应该传递一个torch.autograd.Variable，但是我已经这样做了，如下面的片段中所示 .

for t in range(50):

print('Epoch {}'.format(t))

if t > 0:

print('Loss ->', loss)

for batch_idx, (x_batch, y_batch) in enumerate(train_loader):

# Wrap in Variable

x_in, target = Variable(x_batch), Variable(y_batch)

predicted = model(x_in)

# Compute and print loss

loss = criterion(predicted, target)

# Zero gradients, perform a backward pass, and update the weights.

optimizer.zero_grad()

loss.backward()

optimizer.step()

要添加注释，我的最终目标是生成一个类似BCELoss的类，除了多个标签而不仅仅是二进制 . 我觉得我已经浏览了整个PyTorch文档，主要是使用这个和一些论坛条目 . http://pytorch.org/docs/master/notes/extending.html

所以