Pytorch內置了許多常用的損失函數，但是，實際應用中，往往需要依據不同的需求設計不同的損失函數。本篇博文對比總結了使用 內置和 自己設計損失函數的語法規則流程。

1.內置損失函數

使用內嵌的損失函數：

 
optimizer_d = torch.optim.Adam(netd.parameters(), opt.lr2, betas=(opt.beta1, 0.999))	#要優化網路netd中的參數，使用Adam優化算法
criterion = t.nn.BCELoss().to(device)		#官方損失函數
output = netd(real_img)							#網絡輸出 output
error_d_real = criterion(output, true_labels)	#將網路輸出output傳入損失函數計算真實值，一批次的輸出直接穿傳進去
optimizer_d.zero_grad()							#要優化參數梯度歸零	
error_d_real.backward()							#由損失函數從最后一層開始極端各個參數的梯度
optimizer_d.step()								#梯度反向傳播，更新參數

2.自己設計損失函數

optimizer_D = torch.optim.Adam(D.parameters(), lr=LR_D)     			#要優化網路D中的參數，使用Adam優化算法
prob_artist0 = D(artist_paintings)          							#網絡輸出prob_artist0
D_loss = - torch.mean(torch.log(prob_artist0) + torch.log(1. - prob_artist1))	#自己設計的損失函數，直接由網絡輸出prob_artist0計算損失
optimizer_D.zero_grad()													#要優化參數梯度歸零
D_loss.backward(retain_graph=True)      								#由損失函數從最后一層開始的各個參數的梯度
optimizer_D.step()														#梯度反向傳播，更新參數

核心過程都是一樣的，只不過在實際使用時會因為編程需要調整一些步驟的順序。