class My_loss(nn.Module): # 自定义损失函数类计算预测值和目标值之间的均方误差损失
'''自定义损失函数'''
def __init__(self):
super().__init__()
def forward(self, x, y):
x = x.to(device)
y = y.to(device)
z= torch.matmul(x, C.T)
return z
criterion = My_loss().to(device)
for epoch in range(100):
train_loss = 0
for i, (batch_u, batch_y) in enumerate(train_loader):
batch_u = batch_u.to(device)
batch_y = batch_y.to(device)
xk_1 = model1(batch_u)
loss = criterion(xk_1, batch_y)
optimizer.zero_grad()
loss.backward()
optimizer.step()
train_loss += loss.item()
train_losses.append(train_loss / len(train_loader))
报错:RuntimeError: grad can be implicitly created only for scalar outputs
错误原因:对一个非标量值进行反向传播(backward pass),但没有提供梯度(grad)的参数。在自动微分中,我们通常对标量(单个数值)进行反向传播,计算该标量对某些输入张量的梯度。如果反向传播的输出不是标量,就需要显式地指定一个与输出同形状的张量来表示梯度。
解决方法:loss.backward 改成 loss.backward(torch.ones_like(loss))
TIPS:
1. torch.ones_like(loss)
是传入的grad_tensors
参数,表示创建了一个与loss
同样大小的全1张量,另loss
与torch.ones_like(loss)
点乘后再进行反向传播,相当于对loss
求和后再进行反向传。
2. 通过提供梯度参数,就相当于告诉PyTorch如何对非标量输出进行反向传播。通常,这个参数是一个与y
同形状的张量,并且包含了损失函数对每个元素的梯度。这在进行雅可比向量积计算时非常有用。
3. grad_tensors
的作用其实可以简单地理解成在求梯度时的权重,因为可能不同值的梯度对结果影响程度不同;