Pytorch 我定义了一个损失函数，但向后出现了错误。有人能告诉我如何修复它吗

这是我的损失函数。但这也带来了错误： 回溯（最近一次呼叫最后一次）：

文件“/Users/mrfang/channel_capacity/training.py”，第24行，在 loss.backward（）文件“/Users/mrfang/anaconda3/lib/python3.6/site packages/torch/tensor.py”， 第150行，向后 torch.autograd.backward（self、gradient、retain\u graph、create\u graph）文件 “/Users/mrfang/anaconda3/lib/python3.6/site packages/torch/autograd/init.py”， 第99行，向后 allow_unreachable=True）#allow_unreachable标志运行时错误：函数lossBackward返回的渐变数不正确 （预期2人，获得1人）

我怎么能修好它呢。非常感谢

您的

向前（ctx，x，输入）

需要两个输入，

x

和

输入

，因此

向后

也应该输出两个梯度，

梯度x

和

梯度输入

此外，在您的代码片段中，您并没有真正计算自定义渐变，因此您可以使用Pytorch的autograd来计算，而无需定义特殊的

函数

如果这是工作代码，并且您要定义自定义损失，那么这里有一个快速样板，说明
向后
应该包括哪些内容：

@staticmethod
def前进（ctx，x，输入）：
#这是必需的，因此它们在向后调用期间可用
ctx.save_for_backward（x，输入）
#自定义转发
@静力学方法
def向后（ctx、梯度输出）：
x、 输入=ctx.U张量
梯度x=梯度输入=无
#这里计算梯度
返回梯度x，梯度输入

您不需要为不需要的输入返回渐变，因此可以为它们返回
None

更多信息和信息

class loss(Function):
    @staticmethod
    def forward(ctx,x,INPUT):

        batch_size = x.shape[0]
        X = x.detach().numpy()
        input = INPUT.detach().numpy()
        Loss = 0
        for i in range(batch_size):
            t_R_r = input[i,0:4]
            R_r = t_R_r[np.newaxis,:]
            t_R_i = input[i,4:8]
            R_i = t_R_i[np.newaxis,:]
            t_H_r = input[i,8:12]
            H_r = t_H_r[np.newaxis,:]
            t_H_i = input[i,12:16]
            H_i = t_H_i[np.newaxis,:]

            t_T_r = input[i, 16:32]
            T_r = t_T_r.reshape(4,4)
            t_T_i = input[i, 32:48]
            T_i = t_T_i.reshape(4,4)

            R = np.concatenate((R_r, R_i), axis=1)
            H = np.concatenate((H_r, H_i), axis=1)


            temp_t1 = np.concatenate((T_r,T_i),axis=1)
            temp_t2 = np.concatenate((-T_i,T_r),axis=1)
            T = np.concatenate((temp_t1,temp_t2),axis=0)
            phi_r = np.zeros((4,4))
            row, col = np.diag_indices(4)
            phi_r[row,col] = X[i,0:4]
            phi_i = np.zeros((4, 4))
            row, col = np.diag_indices(4)
            phi_i[row, col] = 1 - np.power(X[i, 0:4],2)

            temp_phi1 = np.concatenate((phi_r,phi_i),axis=1)
            temp_phi2 = np.concatenate((-phi_i, phi_r), axis=1)
            phi = np.concatenate((temp_phi1,temp_phi2),axis=0)

            temp1 = np.matmul(R,phi)

            temp2 = np.matmul(temp1,T)  # error
            H_hat = H + temp2

            t_Q_r = np.zeros((4,4))
            t_Q_r[np.triu_indices(4,1)] = X[i,4:10]
            Q_r = t_Q_r + t_Q_r.T
            row,col = np.diag_indices(4)
            Q_r[row,col] = X[i,10:14]
            Q_i = np.zeros((4,4))
            Q_i[np.triu_indices(4,1)] = X[i,14:20]
            Q_i = Q_i - Q_i.T

            temp_Q1 = np.concatenate((Q_r,Q_i),axis=1)
            temp_Q2 = np.concatenate((-Q_i,Q_r),axis=1)
            Q = np.concatenate((temp_Q1,temp_Q2),axis=0)

            t_H_hat_r = H_hat[0,0:4]
            H_hat_r = t_H_hat_r[np.newaxis,:]
            t_H_hat_i= H_hat[0,4:8]
            H_hat_i = t_H_hat_i[np.newaxis,:]

            temp_H1 = np.concatenate((-H_hat_i.T,H_hat_r.T),axis=0)
            H_hat_H = np.concatenate((H_hat.T,temp_H1),axis=1)
            temp_result1 = np.matmul(H_hat,Q)
            temp_result2 = np.matmul(temp_result1,H_hat_H)

            Loss += np.log10(1+temp_result2[0][0])
        Loss = t.from_numpy(np.array(Loss / batch_size))
        return Loss
    @staticmethod
    def backward(ctx,grad_output):
        print('gradient')
        return grad_output
def criterion(output,input):
    return loss.apply(output,input)