Python 为什么我的分类器不给我二进制结果？
我创建了一个线性ReLu网络，该网络应该与我的数据过度匹配。我使用bcewithlogicsloss作为损失函数。我用它来分类3d点。由于数据足够小，我不想分批处理。而且效果很好。然而，现在我已经在其中实现了批处理，似乎预测值不是我所期望的（即0或1），相反，它给了我-25.4562这样的数字，我没有从网络中更改任何其他内容，只更改了批处理 我尝试了二进制丢失函数BSELoss，但是它似乎是pytorch版本中的一个bug，所以我不能使用它。您可以在下面查看我的代码：Python 为什么我的分类器不给我二进制结果？,python,neural-network,pytorch,Python,Neural Network,Pytorch,我创建了一个线性ReLu网络，该网络应该与我的数据过度匹配。我使用bcewithlogicsloss作为损失函数。我用它来分类3d点。由于数据足够小，我不想分批处理。而且效果很好。然而，现在我已经在其中实现了批处理，似乎预测值不是我所期望的（即0或1），相反，它给了我-25.4562这样的数字，我没有从网络中更改任何其他内容，只更改了批处理 我尝试了二进制丢失函数BSELoss，但是它似乎是pytorch版本中的一个bug，所以我不能使用它。您可以在下面查看我的代码： device=torch
device=torch.device（“cuda”如果torch.cuda.is_可用（）否则为“cpu”）
#我们加载训练数据
样本，Ocupancy=common.load_样本（）
对于范围（0，Ocupancy.shape[0]）中的i：
如果Ocupancy[i]>1或Ocupancy[i]<0：
打印（“upsie”）
最大值=np.amax（样本）
最小值=np.amin（样本）
x_测试=火炬从_numpy（Samples.astype（np.float32））到（设备）
y_测试=火炬从_numpy（Ocupancy.aType（np.float32））到（设备）
列车数据=自定义数据集（x\U测试、y\U测试）
train_loader=DataLoader（dataset=train_data，batch_size=22500，shuffle=False）#batch_size等于每个切片中的点数
phi=公共.MLP（3，1）.to（设备）
标准=torch.nn.BCEWithLogitsLoss（）
optimizer=torch.optim.Adam（phi.parameters（），lr=0.01）
历元=10
fit_start_time=time.time（）
对于范围内的历元（历元）：
对于x_批次，列车装载机中的y_批次：
#optimizer.zero_grad（）
x_系列=x_批次至（设备）
y_系列=y_批次至（设备）
y_pred=φ（x_批次）
打印（y_pred）
#计算损失
损失=标准（y_pred.squence（），y_batch.squence（））
打印（'Epoch{}:train loss:{}'。格式（Epoch，loss.item（））#向后传递
loss.backward（）
optimizer.step（）
fit\u end\u time=time.time（）
打印（“总时间=%f”%（拟合结束时间-拟合开始时间））
最小值=-2
最大值=2
分辨率=0.05
十、 Y，Z=np.mgrid[min:max:resolution，min:max:resolution，min:max:resolution]#示例方式更多
xyz=torch.from_numpy（np.vstack（[X.ravel（），Y.ravel（），Z.ravel（）]）。transpose（）.astype（np.float32））。到（设备）
eval=LabelData（xyz）
eval_loader=DataLoader（dataset=eval，batch_size=22500，shuffle=False）#生成更大的批
#一点一点地给网络供电？
i=0
对于评估加载程序中的x_批次：
phi.eval（）
标签=φ（x_批次）。至（设备）
打印（标签）
可视化_iso（X、Y、Z、标签）
关于我可能错了，但我试图根据问题中的代码回答 您使用的是
BCEwithlogitslosslogitslogitsF.sigmoid（phi（x_批））