Python 为什么在进行任何优化之前，我的错误率很低？

我正在使用我为一个玩具示例建立的模型训练程序，并尝试在另一个示例中使用它。 唯一的区别是该模型用于回归，因此我使用MSE作为误差标准，现在它用于二元分类，因此我使用BCEWithLogitsLoss

模型非常简单：

class Model(nn.Module):
    def __init__(self, input_size, output_size):
        super(Model, self).__init__()
        self.fc1 = nn.Sequential( 
            nn.Linear(input_size, 8*input_size),
            nn.PReLU() #parametric relu - same as leaky relu except the slope is learned
        )
        self.fc2 = nn.Sequential( 
            nn.Linear(8*input_size, 80*input_size),
            nn.PReLU()
        )
        self.fc3 = nn.Sequential( 
            nn.Linear(80*input_size, 32*input_size),
            nn.PReLU()
        )
        self.fc4 = nn.Sequential( 
            nn.Linear(32*input_size, 4*input_size),
            nn.PReLU()
        )                   
        self.fc = nn.Sequential( 
            nn.Linear(4*input_size, output_size),
            nn.PReLU()
        )
                        

    def forward(self, x, dropout=dropout, batchnorm=batchnorm):
        x = self.fc1(x)
        x = self.fc2(x)
        x = self.fc3(x)
        x = self.fc4(x)
        x = self.fc(x)

        return x

这就是我运行它的地方：

model = Model(input_size, output_size)

if (loss == 'MSE'):
    criterion = nn.MSELoss()
if (loss == 'BCELoss'):
    criterion = nn.BCEWithLogitsLoss()

optimizer = torch.optim.SGD(model.parameters(), lr = lr)

model.train()
for epoch in range(num_epochs):
    # Forward pass and loss
    train_predictions = model(train_features)
    print(train_predictions)
    print(train_targets)


    loss = criterion(train_predictions, train_targets)
    
    # Backward pass and update
    loss.backward()
    optimizer.step()

    # zero grad before new step
    optimizer.zero_grad()


    train_size = len(train_features)
    train_loss = criterion(train_predictions, train_targets).item() 
    pred = train_predictions.max(1, keepdim=True)[1] 
    correct = pred.eq(train_targets.view_as(pred)).sum().item()
    #train_loss /= train_size
    accuracy = correct / train_size
    print('\nTrain set: Loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(
        train_loss, correct, train_size,
        100. * accuracy))

然而，当我打印损耗时，由于某种原因，在我进行任何反向传递之前，损耗已经开始非常低（约0.6）！在随后的所有时期，它都保持在如此低的水平。 然而，预测向量看起来像随机垃圾

tensor([[-0.0447],
        [-0.0640],
        [-0.0564],
        ...,
        [-0.0924],
        [-0.0113],
        [-0.0774]], grad_fn=<PreluBackward>)
tensor([[0.],
        [0.],
        [0.],
        ...,
        [0.],
        [0.],
        [1.]])
epoch: 1, loss = 0.6842

> EdT2:在中间块

< P> BCELoss中的精度计算不出错。< /P> p=0.5的伯努利分布的熵为-ln（0.5）=0.693。这是你所期望的损失，如果

您的数据分布均匀

您的网络正在随机猜测

或

你的人际网络总是预测一个统一的分布

---

你的模型在第二种情况下。网络目前正在猜测每一个预测都有轻微的负面逻辑。这些将被解释为0类预测。由于您的数据似乎与0标签不平衡，因此您的精度将与总是预测0的模型相同。这只是随机权重初始化的产物。如果你继续重新初始化你的模型，你会发现有时它也会预测1。

那么我应该改变损失吗？那么我应该用什么样的损失呢？BCELoss很好。但您可能希望通过不同的类权重来平衡它。或者将数据集采样更改为均匀加权。为什么您认为BCELoss的值应该高于您得到的值？我对训练数据进行了一些操作，并删除了足够多的行，因此留下了一个标签为50%0和50%1的文件。我为每个历元添加了一个精度打印，我总是得到训练数据的“精度：7508/15016（50%）”，这让我相信这里没有学习过程（尽管看起来BCELoss正在下降，这已经够奇怪了）。知道该怎么做吗？精度应该计算为<0表示类0，>0表示类1。您的计算精度如何？

pred=train\u predictions.max（1，keepdim=True）[1]

应该是

pred=（train\u predicitions>0）.long（）

，如前一条评论所述。

if (dataset == 'adult_train.csv'):
    input_size=9
    print_every = 1
    output_size = 1
    lr = 0.001
    num_epochs = 10
    loss='BCELoss'