Backpropagation pytorch中的神经网络预测二元变量

假设我想要一个通用的神经网络架构：

                     ---> BinaryOutput_A
                    / 
Input --> nnLayer -
                    \
                     ---> BinaryOutput_B

输入通过神经网络层输入，然后预测两个二进制变量（即，

a

是

[0或1]

和

B

是

[0或1]

）

在pytorch中，您可以通过以下方式建立这样的网络：

class NN(nn.Module):

    def __init__(self, inputs):        
        super(NN, self).__init__()

        # -- first layer
        self.lin = nn.Linear(inputs,10)        

        # -- firstLayer --> binaryOutputA
        self.l2a = nn.Linear(10,2)

        # -- firstLayer --> binaryOutputB
        self.l2b = nn.Linear(10,2)

    def forward(self, inputs):
        o = self.lin(inputs)
        o1 = F.log_softmax(self.l2a(o))
        o2 = F.log_softmax(self.l2b(o))        
        return o1, o2

---

在我的

train

函数中，我使用

loss=loss_函数（输出，目标）

计算损耗。如果是这样，使用

loss.backward（）将损耗正确地反向传播到
l2a
和
l2b
层

，我可以简单地

concat

目标和

l2a

和

l2b

的适当标签吗？从这个意义上说，输出将是

[outputPredictionA，outputPredictionB]

，我可以使目标是

[labelA，labelB]

，pytorch知道如何正确地将损耗分配给每一层吗？

事实证明，torch确实非常聪明，您可以通过以下公式计算总损耗：

loss = 0
loss += loss_function(pred_A, label_A)
loss += loss_function(pred_B, label_B)

loss.backward()

错误将通过网络正确反向传播。不需要

torch.cat（）

或任何东西