def __call__(self, pred, labels): # pred是前面网络得到的的通用扰动和wav_data的结合， labels是说话人编号和原始音频wav_data的dict loss_dict_grad = {} loss_dict = {} pred_dict = {} label_dict = {} for key, loss in self.loss_all.items(): B = len(labels[key]) model = loss.get('model', None) if model is not None: pred_shape = pred.shape repeat = pred_shape[1]//3200 pred_this = pred.view(pred_shape[0]*repeat, pred_shape[1]//repeat) # 修改扰动与wav_data结合后的形状 label_this = torch.stack([labels[key]]*repeat, dim=1).view(B*repeat) pred_this = model(pred_this) # 把扰动后的wav_data扔到SincNet里面 else: pred_this = pred label_this = labels[key] label = labels[key] loss_func = loss["loss_func"] loss_this = loss_func(pred, label) * loss['factor'] loss_dict[key] = loss_this.detach().cpu().item() loss_dict_grad[key] = loss_this pred_dict[key] = pred_this.detach() label_dict[key] = label_this.detach() loss_list = [v for k,v in loss_dict_grad.items()] loss_total = sum(loss_list) # loss_total = loss_dict_grad['norm'] * self.loss_all['norm']['factor'] loss_dict["loss_total"] = loss_total.detach().cpu().item() return loss_total, loss_dict, loss_dict_grad, pred_dict, label_dict

这段代码是一个损失函数的计算函数，输入参数是模型的输出pred和标签labels，其中pred是前面网络得到的扰动和wav数据的结合，labels是一个包含说话人编号和原始音频wav_data的字典。该函数首先定义了一个空字典来存储不同损失函数的结果，然后遍历所有的损失函数，对每个损失函数进行计算。如果该损失函数需要把扰动后的wav数据送入一个SincNet模型中，那么就先调整pred的形状，并把扰动后的wav数据送入模型中。最后，该函数返回了总损失值loss_total，以及每个损失函数的结果和对应的pred和label。

相关问题

labels_pred = net(data_test');返回的并不是0，1标签

可能是因为你的网络输出并不是经过sigmoid函数或者softmax函数处理的概率值，而是一些其他的连续值或者离散值。如果你想要得到0/1标签，可以通过设置一个阈值，将网络输出大于阈值的视为1，小于阈值的视为0。具体的阈值可以根据你的实际情况进行调整，例如可以选择0.5作为阈值。下面是一段示例代码：

import torch

# 假设你的网络输出是一个大小为(n,1)的张量net_output

threshold = 0.5  # 阈值
labels_pred = torch.zeros_like(net_output)
labels_pred[net_output > threshold] = 1

这样就可以得到0/1标签了。如果网络输出是多分类问题，可以使用类似的方法，只需要将阈值改为一个数组，每个元素对应一个类别的阈值即可。

def median_absolute_percentage_error(y_true,y_pred):

该函数计算真实值和预测值之间的中位绝对百分比误差（Median Absolute Percentage Error，简称MAPE）。

以下是该函数的Python代码实现：

import numpy as np

def median_absolute_percentage_error(y_true, y_pred):
    """
    Computes median absolute percentage error between two arrays.
    """
    y_true = np.array(y_true)
    y_pred = np.array(y_pred)
    
    return np.median(np.abs((y_true - y_pred) / y_true)) * 100

该函数首先将真实值和预测值转换为numpy数组，然后计算它们之间的绝对误差，并将其除以真实值。最后，它返回绝对误差的中位数乘以100，即中位绝对百分比误差。