自定义损失函数（autograd.Function）中向后（）函数的问题

Question

我正在使用1d卷积网络进行二进制分类。出于研究目的，我必须实现自己的损失函数，该函数类似于BCELoss。因此，我开始尝试通过autograd实现自己的BCE损失功能：

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 

d_out和labels的张量如下：

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。问题在于，在训练过程的中间，网络（d_out）的输出会变成奇怪的值，例如：

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

在接下来的培训中，它会卡在那里。

我还从Pytorch nn.BCELoss()（https://pytorch.org/docs/stable/nn.html#loss-functions）实现了BCELoss功能。有了这个功能，网络就可以工作了，所以我认为问题出在我的损失功能上。更确切地说，forward（）可以很好地工作，因为它返回的损失与nn.BCELoss相同。因此问题出在 backward（）。

有人可以帮助我吗？我在backward（）函数中做错了什么？

谢谢！

PS .：为了避免在交叉熵损失中生成NaN和-inf值，网络的输出不完全为0或1。