Question

假设我想拥有通用神经网络架构：

                     ---> BinaryOutput_A
                    / 
Input --> nnLayer -
                    \
                     ---> BinaryOutput_B

输入通过神经网络层然后预测两个二进制变量（即A是[0 or 1]而B是[0 or 1]。

在pytorch中，您可以通过以下方式建立这样的网络：

class NN(nn.Module):

    def __init__(self, inputs):        
        super(NN, self).__init__()

        # -- first layer
        self.lin = nn.Linear(inputs,10)        

        # -- firstLayer --> binaryOutputA
        self.l2a = nn.Linear(10,2)

        # -- firstLayer --> binaryOutputB
        self.l2b = nn.Linear(10,2)

    def forward(self, inputs):
        o = self.lin(inputs)
        o1 = F.log_softmax(self.l2a(o))
        o2 = F.log_softmax(self.l2b(o))        
        return o1, o2

在我的train函数中，我使用loss = loss_function(output, target)计算损失。如果是这种情况，要使用l2a正确地将损失反向传播到l2b和loss.backward()图层，我是否可以concat使用正确的标签target对于l2a和l2b？从这个意义上说，输出将是[outputPredictionA, outputPredictionB]，我可以使目标为[labelA, labelB]，是否知道如何正确地将损失分配给每一层？

Answer 1

事实证明，火炬实际上非常聪明，你可以将总损失计算为：

torch.cat()

并且错误将通过网络正确反向传播。不需要{{1}}或其他任何内容。

pytorch中的神经网络预测两个二元变量

1 个答案: