以下代码多次计算损失的值始终不变? class QABasedOnAttentionModel(nn.Module): def __init__(self, vocab_size, embed_size, hidden_size, topk): super(QABasedOnAttentionModel, self).__init__() self.topk = topk self.embedding = nn.Embedding(vocab_size, embed_size) self.encoder = nn.GRU(embed_size, hidden_size, batch_first=True) self.attention = nn.Linear(hidden_size, 1) self.decoder = nn.Linear(hidden_size, vocab_size) def forward(self, input_question, input_answer): question_embed = self.embedding(input_question) answer_embed = self.embedding(input_answer) _, question_hidden = self.encoder(question_embed) answer_outputs, _ = self.encoder(answer_embed, question_hidden) attention_weights = self.attention(answer_outputs).squeeze(dim=-1) attention_weights = torch.softmax(attention_weights, dim=1) context_vector = torch.bmm(attention_weights.unsqueeze(dim=1), answer_outputs).squeeze(dim=1) logits = self.decoder(context_vector) top_100_values, _ = torch.topk(logits, self.topk, dim=1) mask = torch.zeros_like(logits, requires_grad=True) # 设置 requires_grad=True score = [] for i in range(logits.size(0)): top_100_indices = torch.argsort(logits[i])[-self.topk:] mask_i = mask[i].clone() # 创建副本 mask_i[top_100_indices] = 1.0 score.append(mask_i.clone()) # 创建副本并赋值回 mask score = torch.stack(score) return score

根据你提供的代码，我注意到你没有在模型中计算损失或者进行反向传播的步骤。因此，即使多次运行代码，损失值仍然保持不变。

如果你想计算损失并进行反向传播，你需要在模型中添加一个损失函数，并在训练循环中调用该损失函数计算损失，并调用 `loss.backward()` 进行反向传播。

以下是一个示例的训练循环，展示了如何计算损失并进行反向传播：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义模型和损失函数
model = QABasedOnAttentionModel(vocab_size, embed_size, hidden_size, topk)
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):
    optimizer.zero_grad()

    # 前向传播
    output = model(input_question, input_answer)
    
    # 计算损失
    loss = criterion(output, target)
    
    # 反向传播和参数更新
    loss.backward()
    optimizer.step()

    # 打印每个epoch的损失
    print(f"Epoch {epoch+1}, Loss: {loss.item()}")

在上述示例中，我们首先定义了模型和损失函数。然后，我们使用一个优化器（如随机梯度下降）来更新模型的参数。在训练循环中，我们进行了前向传播，计算了损失，然后进行了反向传播和参数更新。最后，我们打印每个epoch的损失。

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。