Python 两个列表之差的可微损失

我有一个模型

import torch
from torch.autograd import grad
import torch.nn as nn
import torch.optim as optim

class net_x(nn.Module): 
        def __init__(self):
            super(net_x, self).__init__()
            self.fc1=nn.Linear(1, 1) 
            self.out=nn.Linear(1, 1) 

        def forward(self, x):
            x=self.fc1(x)
            x=self.out(x)
            return x

nx = net_x()
#inputs
t = torch.tensor([1.0, 2.0, 3.2], requires_grad = True) #input vector
t = torch.reshape(t, (3,1)) #reshape for batch

和2个列表：

pred_lst = [] 
goal_lst = list(range(10))

我试图从以下两个列表中找出损失：

for epoch in range(10):
    optimizer.zero_grad()
    y = nx(t)
    if torch.sum(y) > 5:
        pred_lst.append(epoch) 
    else:
        pass
    loss = len(set(pred_lst).symmetric_difference(set(goal_lst)))
    loss = torch.tensor(float(loss), requires_grad = True)
    print('loss: ', loss)
    loss.backward()

但是参数没有更新，因为

symmetric_difference

是不可微操作。

---

我如何修改/使用这两个列表中的其他内容，并给我一个可以反向传播的可微损失？

撇开不可微性问题不谈，下面是使用K-hot编码和L1的方法：

label_vec = torch.zeros(100).float()
label_vec[goal_lst] = 1

pred_vec = torch.zeros(100).float()
pred_vec[pred_lst] = 1

loss = torch.nn.L1Loss(pred_vec,label_vec)

但是索引操作对于我相信的索引是不可微的

---

似乎要解决这个问题，一个解决方案是让NN以本机方式输出一个向量（

pred_vec

），而不是一个列表。此外，该向量可能包含[0,1]范围内的值，以便梯度包含有意义的信息。标准做法是在培训期间输出连续预测，并使用一些截止值来确定最终离散输出列表，以便进行推断。

是否有一组有限的可能列表元素？如果是这样的话，即使有很多可能的元素，你也可以简单地使用k-hot编码和L1 lossYea，因为训练实际上有一个有限的集合。我相信你的尺寸（因为它相当大）。你能解释一下热编码部分吗？假设我在我的

目标列表中有
值
1,2,3,4
，在我的
pred\u列表中有
1,2,7
值。有限元素集是
范围（100）
。下一步是什么？这回答了你的问题吗？事实上，我不确定你是如何从神经网络中创建一个离散列表的，但不管你怎么做，它似乎本身就是一个不可微的运算。@DerekG是的，我明白你的意思，但不幸的是，我现在看不到解决这个问题的方法。根据NN的输出，我需要将项目添加到一个列表中，并在最后与目标列表进行比较