Python 向PyTorch中的训练数据添加自定义权重

是否可以向PyTorch中的训练实例添加自定义权重？更明确地说，我想为数据集中的每一行添加一个自定义权重。默认情况下，权重为1，这意味着每个数据对我的模型都同等重要。

损失函数支持类权重而不是样本权重。对于示例权重，您可以执行以下操作（内联注释）：

---

你可以看看torch.nn.init。您可以执行

torch.nn.init（layer.weight，a）

。我不知道你是不是这个意思though@DwightFoster这似乎是关于初始化模型权重的。很遗憾，没有关系。你是什么意思？如果要惩罚损失函数，可以在此处直接指定权重@JohnStud乘以损失函数将产生与加权实例相同的效果，因此这应该是可行的。然而，我不能通过修改我的训练数据集来完成这项工作，而不是为每次训练指定权重吗？你能编辑你的问题并使其更明确地说明你想要的结果吗？这看起来是合乎逻辑的。谢谢！

import torch

x = torch.rand(8, 4)
# Ground truth
y = torch.randint(2, (8,))
# Weights per sample 
weights = torch.rand(8, 1) 

# Add weights as a columns, so that it will be passed trough
# dataloaders in case you want to use one
x = torch.cat((x, weights), dim=1)

model = torch.nn.Linear(4, 2)

loss_fn = torch.nn.CrossEntropyLoss(reduction='none')
def weighted_loss(y, y_hat, w):
  return (loss_fn(y, y_hat)*w).mean()

loss = weighted_loss(model(x[:, :-1]), y, x[:, -1])
print (loss)