训练多输出模型
在训练具有多个输出的模型时，必须确保正确地定义损失函数。
在这个例子中，模型会产生两个输出：一个是字母表的预测，另一个是字符的预测。每个输出都有对应的真实标签，这使您可以分别计算两个损失：一个来自字母表分类错误，另一个来自字符分类错误。由于这两种情况本质上都是多类别分类任务，因此每次都可以使用交叉熵损失（Cross-Entropy loss）。
然而，梯度下降一次只能优化一个损失函数。因此，您将把总体损失定义为字母表损失与字符损失之和。
本练习是课程的一部分
PyTorch 深度学习进阶
练习说明
- 计算字母表分类损失，并将其赋给
loss_alpha。 - 计算字符分类损失，并将其赋给
loss_char。 - 计算总损失为两个部分损失之和，并将其赋给
loss。
交互式实操练习
通过完成这段示例代码来试试这个练习。
net = Net()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.05)
for epoch in range(1):
for images, labels_alpha, labels_char in dataloader_train:
optimizer.zero_grad()
outputs_alpha, outputs_char = net(images)
# Compute alphabet classification loss
loss_alpha = ____
# Compute character classification loss
loss_char = ____
# Compute total loss
loss = ____
loss.backward()
optimizer.step()