自定义损失函数中backward（）函数存在问题(自动加载功能)

Question

我在用一维卷积网络进行二进制分类。为了研究的目的，我必须实现我自己的损失函数，它类似于BCELoss。因此，我开始尝试用autograd实现我自己的BCE loss函数：

class DiscriminatorLoss(torch.autograd.Function):
          @staticmethod
          def forward(ctx,d_out,labels):
                loss = labels*torch.log(d_out)+(1-labels)*torch.log(1-d_out)
                ctx.d_out,ctx.labels = input,labels
                return loss 

          @staticmethod
          def backward(ctx, grad_output):
                d_out,labels = ctx.d_out,ctx.labels
                grad_input = -labels/d_out + ((1-labels)/(1-d_out))
                return grad_input,None 

其中d_out和labels是类张量：

d_out=tensor([[0.5412, 0.5225],     | labels=tensor([[0, 1], 
              [0.5486, 0.5167],     |                [0, 1],
              [0.5391, 0.5061],...])|                [0, 1],...])

但是，这不能正常工作。问题是在训练过程的中间，网络（d_out）的输出会变成奇怪的值，如：

      tensor([[9.9000e-08, 9.9000e-01],
              [9.9000e-08, 9.9000e-01],
              [9.9000e-08, 9.9000e-01],....])

在剩下的训练中它会被卡在那里。你知道吗

我还从Pytorchnn.BCELoss()（https://pytorch.org/docs/stable/nn.html#loss-functions）实现了BCELoss函数。有了这个函数，网络就起作用了，所以我相信问题出在我的损失函数上。更确切地说，forward（）工作得很好，因为它返回与forward（）相同的损失nn.b塞洛斯. 所以问题出在backward（）中。你知道吗

有人能帮我吗？我在backward（）函数中做错了什么？你知道吗

谢谢！你知道吗

注：为了不产生交叉熵损失中的NaN和-inf值，网络的输出被视为不完全是0或1。你知道吗