我有一个GAN，它返回一个预测的torch.tensor。为了指导这个网络，我有一个损失函数，它是二进制交叉熵损失(BCELoss(和Wasserstein距离的总和。然而，为了计算Wasserstein距离，我使用了SciPy库中的scipy.stats.wasserstein_distance函数。如您所知，此函数需要两个NumPy数组作为输入。因此，为了使用这个函数，我将我的预测张量和地面实况张量转换为NumPy阵列，如下所示
pred_np = pred_tensor.detach().cpu().clone().numpy().ravel()
target_np = target_tensor.detach().cpu().clone().numpy().ravel()
W_loss = wasserstein_distance(pred_np, target_np)
然后，通过将W_loss与BCELoss相加来获得总损耗。我现在展示这一部分，因为这有点多余，与我的问题无关。
我担心的是我正在分离梯度，所以我认为在优化和更新模型参数时，它不会考虑W_loss。我有点新手，所以我希望我的问题很清楚，并感谢你提前给出答案。
将一个而非的对象添加为一个需要_grad的张量，本质上就是添加一个常量。常数的导数为零，所以这个附加项对网络的权重没有任何作用。
tl；博士：你需要在pytorch中重写损失计算(或者只是找到一个现有的实现，互联网上有很多(。