PyTorch是一個開源的Python深度學習框架，提供了許多預定義的損失函數。但有時候，我們需要根據自己的任務和數據集來自定義損失函數。這篇文章將介紹如何在PyTorch中自定義損失函數。

一、什么是Loss Function？

損失函數（Loss Function）是模型優化的關鍵所在，它用于衡量模型預測值與真實值之間的差距。在訓練過程中，模型會嘗試最小化損失函數的值，并調整權重和偏置，以提高模型的準確性。

二、自定義損失函數的步驟

1. 定義自定義損失函數類 要自定義損失函數，首先需要定義一個繼承自torch.nn.Module的類。這個類需要實現兩個方法：__init__和forward。

import torch.nn as nn class CustomLoss(nn.Module): def __init__(self): super(CustomLoss, self).__init__() def forward(self, y_pred, y_true):
        loss = ... return loss

在__init__中，可以初始化一些參數或者模型。在forward中，需要計算出模型預測值與真實值之間的差距，并返回損失值。

1. 實例化自定義損失函數類 定義好自定義損失函數類后，需要實例化它。在實例化時，可以傳入一些參數，比如權重系數等等。

custom_loss = CustomLoss()

1. 在訓練中使用自定義損失函數 在訓練時，可以像使用其他預定義的損失函數一樣，把自定義損失函數作為參數傳遞給優化器。

optimizer = optim.Adam(model.parameters(), lr=0.01)
criterion = custom_loss for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

三、自定義損失函數的例子

下面給出一個自定義的L1Loss，它計算了每個樣本所有特征之差的絕對值之和：

class L1Loss(nn.Module): def __init__(self): super(L1Loss, self).__init__() def forward(self, y_pred, y_true):
        loss = torch.mean(torch.abs(y_pred - y_true)) return loss

可以通過以下方式使用自定義的L1Loss：

l1_loss = L1Loss() for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = l1_loss(outputs, labels)
        loss.backward()
        optimizer.step()

四、總結

自定義損失函數在某些情況下非常有用，可以讓我們更加靈活地處理不同的任務和數據集。在PyTorch中，自定義損失函數的步驟包括定義一個繼承自nn.Module的類、實例化這個類、并在訓練中使用它。

推薦學習書籍
《CDA一級教材》適合CDA一級考生備考，也適合業務及數據分析崗位的從業者提升自我。完整電子版已上線CDA網校，累計已有10萬+在讀~

免費加入閱讀：https://edu.cda.cn/goods/show/3151?targetId=5147&preview=0