使用pytorch优化器来适应用户定义的函数
我已经阅读了许多关于如何使用PyTorch对数据集进行回归的教程，例如，使用由几个线性层和MSE损失组成的模型使用pytorch优化器来适应用户定义的函数,pytorch,minimization,Pytorch,Minimization,我已经阅读了许多关于如何使用PyTorch对数据集进行回归的教程，例如，使用由几个线性层和MSE损失组成的模型 假设函数F依赖于变量x和一些未知参数（p_j:j=0，…，p-1），p相对较小，但函数是特殊函数的组合。因此，我的问题是知道数据{x_i，y_i}{u i的经典极小化事实上，PyTorch专家回答说，要最小化的函数必须用torch.张量表示，以便极小化子计算梯度。因此，这在我的情况下是不可能的。你的意思是你想使用你知道的自定义损失函数而不是MSE？@basilisk，也许你是对的，但让
假设函数F依赖于变量x和一些未知参数（p_j:j=0，…，p-1），p相对较小，但函数是特殊函数的组合。因此，我的问题是知道数据{x_i，y_i}{u i的经典极小化事实上，PyTorch专家回答说，要最小化的函数必须用torch.张量表示，以便极小化子计算梯度。因此，这在我的情况下是不可能的。你的意思是你想使用你知道的自定义损失函数而不是MSE？@basilisk，也许你是对的，但让我补充一些更清楚的内容。正如你在我的公式中看到的，你可以认识到我使用的是MSE作为损失，但是F函数不能用“通常的”神经层来表示。所以，假设我只处理了下面的函数``C（p_0，p_1，…，p_p）=Sum_I（F（x_I；{p_j}）-y_I）^2``我想最小化它。可能是你所说的，这是一种习惯性的损失。
Min_{ {p_j} } Sum_i (F(x_i;{p_j}) - y_i)^2