Pytorch中的自定义丢失，其中对象没有向后属性（）

我是pytorch的新手，我尝试创建自己的自定义丢失。这真的很有挑战性。下面是我为我的损失所做的一切

类自定义丢失（nn.模块）：
def uuu init uuu（self，size_average=True，reduce=True）：
"""
Args：
size_average（bool，可选）：默认情况下，损失是平均的
对每个小批次进行过多观察。但是，如果
size_average设置为“False”，则将损失汇总为
每个小批量。仅当reduce为“True”时适用。默认值为“True”``
reduce（bool，可选）：默认情况下，损失是平均的
每个小批量的过度观察，或汇总，取决于
平均大小。当reduce为“False”时，返回每个输入/目标的损失
元素，并忽略大小\平均值。默认值：``True``
"""
超级（自定义丢失，自我）。\uuuu初始化
def转发（自身、S、N、M，type='softmax'，）：
返回自损耗校准（S、N、M、类型）
###新损失校准
def损耗校准（自身，S，N，M，type=“softmax”，）：
“”“使用相似矩阵式（6）（7）计算损失”
：类型：“softmax”或“对比度”
：返回：丢失
"""
self.A=torch.cat（[S[i*M:（i+1）*M，i:（i+1）]
对于范围（N）]内的i，尺寸=0）
self.A=torch.autograd.Variable（self.A）
如果类型==“softmax”：
self.B=torch.log（torch.sum（torch.exp（S.float（）），dim=1，keepdim=True）+1e-8）
self.B=火炬自动加载变量（self.B）
总计=火炬绝对值（火炬总和（自我A-自我B））
其他：
raise AssertionError（“损失类型应为softmax或contrast！”）
返回总数

当我运行以下命令时：

loss=CustomLoss（）
（损失。损失计算（S=S，N=N，M=M））
loss.backward（）

我得到以下错误：

C:\Program Files\Anaconda3\lib\site packages\IPython\core\interactiveshell.py in run\u cell\u magic（self，magic\u name，line，cell）
2113 magic_arg_s=self.var_expand（行、堆栈深度）
2114带自建存水弯：
->2115结果=fn（魔法参数，单元格）
2116返回结果
2117
及时（自身、线路、小区、本地）
C:\ProgramFiles\Anaconda3\lib\site packages\IPython\core\magic.py in（f，*a，**k）
186#但仅仅为了那一点点国家就太过分了。
187 def魔术装饰（arg）：
-->188调用=λf，*a，**k:f（*a，**k）
189
190如果可调用（arg）：
C:\Program Files\Anaconda3\lib\site packages\IPython\core\magics\execution.py及时（self、line、cell、local）
1178其他：
1179 st=时钟2（）
->1180 exec（代码、全局、本地）
1181结束=时钟2（）
1182 out=无
在（）
C:\Program Files\Anaconda3\lib\site packages\torch\nn\modules\module.py in\uuuuu getattr\uuuuu（self，name）
530返回模块[名称]
531 raise AttributeError（“{}”对象没有属性“{}”。格式(
-->532类型（自身）。_名称_;名称）
533
534定义设置属性（自身、名称、值）：
AttributeError:“CustomLoss”对象没有“backward”属性

为什么我会犯这个错误？我没有用TF面对这个错误。我的理解是，这和签名有关？如果有人能解释我为什么要面对这个错误，我就能找出其余的原因

嗨

问题是您试图在模块上调用backward函数，而不是在变量上（您可能希望这样做）。由于您尚未在模块上实现向后函数，因此解释器无法找到向后函数。因此，您要做的是：

loss\u func=CustomLoss（）
损失=损失函数损失计算（S=S，N=N，M=M）
loss.backward（）

总而言之：

---

您使用的是一个

nn.Module

，它实际上没有参数。虽然这是可行的，但这并不是模块的目的，因此应该避免。相反，只需制作一个纯函数——毕竟，这里的函数是静态的。如果你真的想去上课，想想你想创建什么类型的课-一个

loss

。然而，损耗可能具有特殊的特性。所以你应该仔细阅读一篇讨论。

哇！这是一个非常容易的解决办法！非常感谢你！我按照你的建议做了更改，讨论非常有益。非常感谢。我对这个与优化器相关的问题进行了跟进。