Neural network 为什么真阳性-假阴性分布总是相同的

我有一个神经网络，我用它进行二元分类。我改变训练数据的大小，并在测试集上进行预测。从结果来看，

tp

和

fn

之间的差异总是相同的，

tn

和

fp

之间的差异总是相同的。例如，在迭代#2中，

tp#2-tp#1=-91

和

fn#2-fn#1=+91

。另外，

fp#2-fp#1=-46

和

tn#2-tn#1=+46

。另一个例子是，

tp#3-tp#2=-35

和

fn#2-fn#2=+35

Iteration #1
tn=119, fp=173, fn=110, tp=407
Iteration #2
tn=165, fp=127, fn=201, tp=316
Iteration #3
tn=176, fp=116, fn=236, tp=281
Iteration #4
tn=157, fp=135, fn=207, tp=310
Iteration #5
tn=155, fp=137, fn=214, tp=303

我尝试过各种神经网络结构，但我总是得到相同的数字。你知道怎么回事吗

以下是我使用的一个非常简单的网络：

类所有CNN（nn.模块）：
定义初始大小（自、语音大小、嵌入大小）：
手电筒。手动种子（0）
超级（所有CNN，自我）。\uuuu初始化
self.word\u embeddings=nn.Embedding（声音大小，嵌入大小）
self.conv1=nn.Conv1d（嵌入大小，64,3）
self.drop1=nn.Dropout（0.3）
self.max_pool1=nn.MaxPool1d（2）
self.flat1=nn.flatte（）
self.fc1=nn.线性（64*80100）
self.fc2=nn.线性（100,1）
def转发（自我，句子）：
嵌入=self.word\u嵌入（句子）.permute（0,2,1）
conv1=F.relu（self.conv1（嵌入））
drop1=自.drop1（conv1）
max_pool1=self.max_pool1（drop1）
flat1=自flat1（最大值为1）
fc1=F.relu（自fc1（平面1））
fc2=火炬乙状体（自身fc2（fc1））
返回fc2

我认为应该是一样的。
tn（真负值）和fp（假正值）之和等于“真”负值的总和，其他两个值也是如此。 因此，只要您使用相同的数据

tn + fp = 292(total negative values)
fn + tp = 517(total positive values)

这些方程式总是正确的。 所以

tn#1+fp#1=tn#2+fp#2

So

tn#1-tn#2=fp#2-fp#1