Python PyTorch中的简单L1损失

我想计算一个神经网络中的L1损失，我在上遇到了这个例子，但这段代码中有一些错误

这真的是如何计算NN中的L1损耗，还是有更简单的方法

l1_crit = nn.L1Loss()
reg_loss = 0
for param in model.parameters():
    reg_loss += l1_crit(param)

factor = 0.0005
loss += factor * reg_loss

这是否等同于简单的操作：

loss = torch.nn.L1Loss()

---

我假设不是，因为我没有传递任何网络参数。只需检查是否存在执行此操作的现有函数

如果我理解得很好，您需要计算模型的L1损失，正如您在开始时所说的。然而，我认为你可能会对pytorch论坛上的讨论感到困惑

据我所知，在Pytorch论坛和您发布的代码中，作者试图用L1正则化规范化网络权重。因此，它试图强制要求权重值落在一个合理的范围内，不要太大，也不要太小。这就是使用L1规范化的权重规范化，这就是它使用model.parameters的原因。标准化将值作为输入，并生成标准化值作为输出。 检查此项以了解权重规格化：

另一方面，L1损耗它只是一种确定两个值之间差异的方法，所以损耗只是这种差异的度量。在L1损失的情况下，使用平均绝对误差损失=| x-y |计算该误差，其中x和y是要比较的值。因此，错误计算将2个值作为输入，并生成一个值作为输出。 检查此项以了解损失计算：

回答您的问题：不，上面的代码片段并不等效，因为第一个代码片段尝试进行权重标准化，第二个代码片段尝试计算损失。这将是在某些情况下的损失计算：

sample, target = dataset[i]
target_predicted = model(sample)
loss = torch.nn.L1Loss()
loss_value = loss(target, target_predicted)

---

如果我理解得很好，您需要计算模型的L1损失，正如您在开始时所说的。然而，我认为你可能会对pytorch论坛上的讨论感到困惑

据我所知，在Pytorch论坛和您发布的代码中，作者试图用L1正则化规范化网络权重。因此，它试图强制要求权重值落在一个合理的范围内，不要太大，也不要太小。这就是使用L1规范化的权重规范化，这就是它使用model.parameters的原因。标准化将值作为输入，并生成标准化值作为输出。 检查此项以了解权重规格化：

另一方面，L1损耗它只是一种确定两个值之间差异的方法，所以损耗只是这种差异的度量。在L1损失的情况下，使用平均绝对误差损失=| x-y |计算该误差，其中x和y是要比较的值。因此，错误计算将2个值作为输入，并生成一个值作为输出。 检查此项以了解损失计算：

回答您的问题：不，上面的代码片段并不等效，因为第一个代码片段尝试进行权重标准化，第二个代码片段尝试计算损失。这将是在某些情况下的损失计算：

sample, target = dataset[i]
target_predicted = model(sample)
loss = torch.nn.L1Loss()
loss_value = loss(target, target_predicted)

---

那代码根本不起作用。l1_crit需要两个参数，而不是一个。为什么要根据模型参数计算损失？第二行显然与第一行不同，因为第一行是相同的，具有不同的大小\u平均值，这是不推荐的，但是其余的都被忽略了。很抱歉，我从中获得了这段代码。我怎样才能让它起作用呢，我将删除这个被贬低的论点。但是我可以把参数输入函数吗，不是吗？@dorien你提供的链接是关于L1正则化的。这就是你想要的吗？这与计算网络末端的损耗不同。另外，若你们真的想要L1正则化，你们应该用zerosOh替换或者更确切地说填充目标，我确实想要包括L1正则化。你能更具体地说我应该如何用零替换目标吗？@dorien和L1你基本上希望你的参数是稀疏的，所以你想惩罚它们为零L1_critparam，target=torch.zeros_likeparam，size_average=False，但通常你不需要使用L1Loss。你也可以使用norm，请看，我不认为有一个更简单的方法来做这个norm。当然，在链接中，用例是不同的，您将获取代码甚至不起作用的模型的所有参数。l1_crit需要两个参数，而不是一个。为什么要根据模型参数计算损失？第二行显然与第一行不同，因为第一行是相同的，具有不同的大小\u平均值，这是不推荐的，但是其余的都被忽略了。很抱歉，我从中获得了这段代码。我怎样才能让它起作用呢，我将删除这个被贬低的论点。但是我可以把参数输入函数吗，不是吗？@dorien你提供的链接是关于L1正则化的。这就是你想要的吗？这与计算网络末端的损耗不同。另外，若你们真的想要L1正则化，你们应该用zerosOh替换或者更确切地说填充目标，我确实想要包括L1正则化。你能更具体地说明我应该如何替换t吗

---

他用零作为目标？@dorien用L1你基本上希望你的参数是稀疏的，所以你想惩罚它们为零L1_critparam，target=torch.zeros_likeparam，size_average=False，但通常你不需要使用L1Loss。你也可以使用norm，请看，我不认为有一个更简单的方法来做这个norm。当然，在链接中，用例是不同的，您将获取模型的所有参数她实际上确认了它是关于L1正则化的，她只是碰巧使用了L1Loss而不是norm她实际上确认了它是关于L1正则化的，她只是碰巧使用了L1Loss而不是norm