我如何创建一个损失函数来推动实际的 NN 权重移动？

Question

我有一个简单的神经网络：

import torch
import torch.nn as nn
import torch.optim as optim

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.fc1 = nn.Linear(1, 5)
        self.fc2 = nn.Linear(5, 10)
        self.fc3 = nn.Linear(10, 1)

    def forward(self, x):
        x = self.fc1(x)
        x = torch.relu(x)        
        x = torch.relu(self.fc2(x))
        x = self.fc3(x)
        return x

net = Model()

opt = optim.Adam(net.parameters())

我还有一些输入功能：

features = torch.rand((3,1))

我可以用一个简单的MSE损失函数正常训练它：

for i in range(10):
    opt.zero_grad()
    out = net(features)
    loss = torch.mean(torch.square(torch.tensor(5) - torch.sum(out)))
    print('loss:', loss)
    loss.backward()
    opt.step()

但是，我正在尝试创建一个将实际权重值考虑在内的损失函数：

loss = 1 - torch.mean(torch.tensor([torch.sum(w_arr) for w_arr in net.parameters()]))

但是我收到一个错误：

RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn

这里的目标是让每个权重的值尽可能接近 1（或任何其他值）。

Answer 1

一个快速的错误修复方法是在创建张量时包含 requires_grad = True。这样-

loss = 1 - torch.mean(torch.tensor([torch.sum(w_arr) for w_arr in net.parameters()], requires_grad=True))

但是当将权重列表转换为张量时，torch 不知道该张量的来源，因此损失不会减少。一种方法是

for i in range(500):
    opt.zero_grad()
    out = net(features)
    loss = torch.mean(torch.square(torch.tensor(5) - torch.sum(out)))
    len_w = 0
    for w_arr in net.parameters():
        loss += torch.mean(torch.abs(1 - w_arr))
        len_w += 1
    loss /= len_w
    print('loss:', loss)
    loss.backward()
    opt.step()

这种损失计算方式，确保所有权重都接近+1。

我如何创建一个损失函数来推动实际的 NN 权重移动？

How can I create a loss function that will push the actual NN weights to move?

python

machine-learning

neural-network

deep-learning

pytorch