for epoch in range(num_epochs): optimizer.zero_grad() logits = model(input_question, input_answer) # 找到每行最大的两个值及其索引 loss = loss_fn(logits, expanded_answer) loss.backward() optimizer.step() print(f'loss= {loss.item()}') 损失并未更新,一直都是同一个值?

根据你提供的代码，我注意到你在每个 epoch 中都使用同样的 `input_question` 和 `input_answer` 进行训练，这可能导致损失一直保持不变。为了使损失能够更新，你可能需要在每个 epoch 中使用不同的训练样本。

假设你有一个包含多个训练样本的数据集，你可以在每个 epoch 开始时对数据进行随机洗牌，然后按批次将数据提供给模型进行训练。这样可以确保模型在每个 epoch 中都能看到不同的样本，从而更新损失。

以下是一个示例的训练循环，展示了如何在每个 epoch 中使用不同的训练样本：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, Dataset

# 定义自定义数据集
class MyDataset(Dataset):
    def __init__(self, input_question, input_answer):
        self.input_question = input_question
        self.input_answer = input_answer

    def __len__(self):
        return len(self.input_question)

    def __getitem__(self, idx):
        question = self.input_question[idx]
        answer = self.input_answer[idx]
        return question, answer

# 创建数据加载器
dataset = MyDataset(input_question, input_answer)
dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)

# 定义模型和损失函数
model = YourModel()
criterion = nn.CrossEntropyLoss()

# 定义优化器
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练循环
for epoch in range(num_epochs):
    total_loss = 0.0

    for batch_question, batch_answer in dataloader:
        optimizer.zero_grad()

        logits = model(batch_question, batch_answer)
        loss = criterion(logits, batch_answer)

        loss.backward()
        optimizer.step()

        total_loss += loss.item()
    
    print(f"Epoch {epoch+1}, Loss: {total_loss/len(dataloader)}")

在上述示例中，我们首先定义了一个自定义数据集 `MyDataset`，用于存储输入的问题和答案。然后，我们使用 `DataLoader` 创建一个数据加载器，用于按批次加载数据。

在训练循环中，我们对数据进行随机洗牌，并按批次提供给模型进行训练。在每个批次中，我们计算损失并进行反向传播和参数更新。最后，我们计算每个 epoch 的平均损失并打印出来。

请根据你的具体需求和模型来修改上述示例代码。希望对你有帮助！如果还有其他问题，请随时提问。