定义损失函数使得lable 是1的权值为3，lable 为4 的权值为1

在PyTorch中，可以通过定义自定义的损失函数来实现类别权重调整。自定义损失函数可以继承nn.Module类，并实现forward方法。在forward方法中，需要计算模型输出和真实标签之间的损失，并返回损失值。在计算损失时，可以根据真实标签的值来设置不同类别的权重。

下面是一个示例代码：

import torch
import torch.nn as nn

class CustomLoss(nn.Module):
    def __init__(self, weight=None):
        super(CustomLoss, self).__init__()
        self.weight = weight

    def forward(self, inputs, labels):
        # 计算交叉熵损失
        loss = nn.functional.cross_entropy(inputs, labels, weight=self.weight)

        # 计算权重
        weight = torch.zeros(inputs.shape[1], dtype=torch.float)
        weight[1] = 3.0  # lable为1的权值为3
        weight[4] = 1.0  # lable为4的权值为1

        # 根据真实标签的值来设置权重
        label_weight = weight[labels]

        # 计算加权损失
        loss = (loss * label_weight).mean()

        return loss

在上面的示例中，我们定义了一个自定义的损失函数CustomLoss。在这个损失函数中，我们首先调用nn.functional.cross_entropy函数来计算交叉熵损失。然后，我们定义了一个长度为类别数的一维张量weight，并将lable为1的权值设置为3，将lable为4的权值设置为1。接着，我们根据真实标签的值来获取对应的权重，最后计算加权损失，并返回平均损失。

在使用自定义损失函数时，只需要将损失函数设置为CustomLoss即可。例如：

import torch.optim as optim

# 定义模型
model = MyModel()

# 定义损失函数
criterion = CustomLoss()

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

# 训练模型
for epoch in range(num_epochs):
    for inputs, labels in dataloader:
        # 前向传播
        outputs = model(inputs)

        # 计算损失
        loss = criterion(outputs, labels)

        # 反向传播
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

在上面的示例中，我们将损失函数设置为CustomLoss，这样就可以使用自定义损失函数来训练模型。