自定义分段Loss函数实现报错：RuntimeError要求标量输出

核心问题 #

你的报错源于当前损失函数返回的是对应批量中每个样本损失的张量，而非PyTorch反向传播要求的标量（整个批量的总损失/平均损失）。此外，当前实现还有几个关键错误：

• 误用Python的if-else处理张量：torch.gt返回布尔张量，无法直接作为if的判断条件
• 混用NumPy和PyTorch操作：np.square会脱离PyTorch计算图，导致无法求导
• 变量名笔误：将targets错写为outputs

修正后的自定义损失函数 #

直接使用PyTorch的张量操作实现逻辑，并对批量损失进行聚合（求和/平均）得到标量：

import torch
import torch.nn as nn

class E_Loss(nn.Module):
    def __init__(self):
        super(E_Loss, self).__init__()

    def forward(self, inputs, targets):
        # 展平张量，确保形状一致
        inputs = inputs.view(-1)
        targets = targets.view(-1)
        
        # 逐元素计算损失：用torch.where实现条件分支
        # 当inputs >= targets时，取(inputs - targets)；否则取(targets - inputs)的平方
        loss_per_sample = torch.where(
            inputs >= targets,
            inputs - targets,
            torch.square(targets - inputs)
        )
        
        # 聚合为标量：这里用平均（符合常见训练习惯，也可换成sum()求和）
        return loss_per_sample.mean()

关于DataLoader的疑问 #

完全不需要弃用DataLoader。它是PyTorch处理批量数据的标准工具，批量训练能提升梯度稳定性和训练效率——你的问题和DataLoader无关，只需要确保损失函数返回标量即可。

训练流程验证 #

你的现有训练代码只需替换修正后的E_Loss即可正常运行，注意确保linearRegression模型的输出形状和目标值y匹配（比如输出为(batch_size, 1)）。

内容的提问来源于stack exchange，提问作者nekonekoneko