在Partial Domain Adaptation的问题中，为了实现部分域迁移的目标，大部分的研究采用的方法是利用一个“类级”的权重，来权衡分类器的损失，而pytorch中自带的交叉熵损失是不支持为交叉熵损失添加权重机制的（pytorch自带的cross_entropy函数中的weight是用来解决样本不平衡问题的，而不是解决部分域迁移的，这个weight与我们这里提到的weight不同）。
上图中ns为样本的数量，ys为类别的数量，p为预测概率，wk为类级的权重，用来削弱outlier class对于域迁移的影响。（outlier class的权重w会小一些，shared class的权重会大一些，这样分类器就会更加的关注于shared class的处理），具体的w计算方法各个研究不尽相同，大部分研究的核心就是关注于如何设置权重w的大小。
对于类级权重，计算得到的权重是一个行向量，长度为类别的数量（举个🌰：类别有五类，w = [0.5,0.6,0.7,0.1,0.2]）
接下来的任务就是，对于这样的任务，我们该如何设置损失函数，来计算损失，从而完成神经网络的更新工作？
假设我们已经计算得到了分类器输出p{ batch_size , class_num }，权重w{ class_num }，ground truth{batch_size}，现在我们进入类的设计：
自定义计算损失的类，要继承自Module，并实现forward和__init__两个函数，才能在pytorch中进行梯度的计算反传（backward），这里的格式记住就可以，是pytorch中要求的。forward的参数：outputs代表分类器的输出（这里的输出没有经过softmax和log的处理），target代表ground truth，weight代表提前计算好的类级权重。（注意注释中标注的维度信息）
在上述代码中，为了将权重w与log(p)进行元素级的相乘，先将weight按行复制了batch_size个，来让维度对齐，再将两个矩阵进行元素级的乘法，即实现了将类级的权重分别乘在了对应类的log概率前面。（也许有更简便的方法，大佬勿喷～）
接下来，为了方便的根据标签的值，从结果中取出对应标签类别的概率值，我们使用gather函数：
gather函数中最重要的两个参数是dim和index
dim = 1时将input看为 batch_size × 1 阶矩阵，index看为n × 1 阶（n可以是batch_size，也可以不是）矩阵，取index的每行元素对input中的每行进行列向索引（如：index某行为[1，3，0]，对应的input行元素为[4，5，6，7]，提取后的结果为[5，7，4])；
同样的道理，dim=0时将input看为 1 × batch_size 阶矩阵，index看为1 × n 阶矩阵，取index每列元素对input中每列进行行索引。gather函数提取后的矩阵阶数和对应的index阶数相同。
最后，对计算出的loss乘以负号，并求一个均值（有些研究可能需要求和，自行修改即可），就得到了最终类级加权的交叉熵损失值。
