pytorch的入门教程中有这样的一句：

上面的程序很简单，设定一个loss函数，然后设定一个input和target进行loss计算，然后再backward。

这里我们不看反向过程，只看output的值是多少：

这个4是output的值，可以看待这个值是一个scalar而并不是一个向量。

我们再来看一段程序：

同样一段程序，怎么就变成16了，原因是在设置loss函数中我们把参数size_average设为了False。

当size_average为Ture的时候，我们得到4，反之我们得到16，结合size_average参数的官方解释：

也就是说True的loss除以了loss的数量(此处n=4)，False的时候loss为summed的也就是全部loss的总和。

size_average参数默认为True，也就是说我们平时计算的时候得到的loss是平均loss。

这样会出现怎么问题呢：

这个参数默认是True，我们平时的训练集都是规整的，也就是说训练集中的每个类数量几乎差不多的训练集，然后我们算出了损失，比如这个损失是个[10]的Tensor，这里的10就是你之前说的N 也就是分类的数量，这个参数设为True则在得出的所有loss中除以N 如果为Flase则不处理直接把所有类的loss直接加起来给你。这个平时加起来和除以N在实际计算中影响不大，但是如果是别的任务 比如RNN 这时候分类loss就需要权重了。每个分类的loss的权重系数应该不一样，或者说训练集中某些类的数据没有另一类多，得出的损失有可能也有缺陷也需要参数，这时在pytorch中我们就无能为力了，因为其只能输出平均或者总和的loss 不能输出a batch of losses 也就是一个类一个损失，这种输出后期我们可以自由处理 。所以说这个是pytorch的一个缺陷 ，在github中的issue中有人提出来了。pytorch的编写人员正在修改底层。

该问题相关的链接：

如何自定义不同权重loss：

loss中奇怪的问题：

losses per-batch-element：pytorch/pytorch/issues/264