如何获取pytorch中自定义损失函数的权重？

Question

我在pytorch中有一个模型，并想在loss_function中添加L1正则化。 但是我不想将权重传递给loss_function（）-有更好的方法吗？ 有关详细信息，请参见下面的loss_function（）。

class AutoEncoder(nn.Module):
    def __init__(self, inp_size, hid_size):
        super(AutoEncoder, self).__init__(

        self.lambd = 1. 

        # Encoder
        self.e1 = nn.Linear(inp_size, hid_size)

        # Decoder
        self.d1 = nn.Linear(hid_size, inp_size)
        self.sigmoid = nn.Sigmoid()    

        pass

   def forward(self,x):
       encode = self.e1(x)
       decode = self.sigmoid(self.d1(encode))
       return decode

   def loss_function(self, recon_x, x):
       l2_loss = nn.MSELoss()

       # Here I would like to compute the L1 regularization of the weight parameters
       loss = l2_loss(recon_x, x) + self.lambd(l1_loss(self.e1) + l1_loss(self.e2))
       return loss

Answer 1

我认为这样可以工作：

我们定义了将layer作为输入的损失函数。 请注意， torch.norm输入应为torch Tensor因此我们需要在图层的权重中执行.data ，因为它是Parameter 。 然后，我们计算layer设置un p=1 （L1）的范数。

def l1_loss(layer):
    return (torch.norm(layer.weight.data, p=1))

lin1 = nn.Linear(8, 64)
l = l1_loss(lin1)