Python 使用BCE进行优化不起作用，不会有任何改变

我有以下代码：

import torch
import torch.nn as nn
import torch.nn.functional as F
from tqdm import tqdm
import matplotlib.pyplot as plt
import os
import keras
from random import choice
import sys
devicet = 'cuda' if torch.cuda.is_available() else 'cpu'
device = torch.device(devicet)
if devicet == 'cpu':
  print ('Using CPU')
else:
  print ('Using GPU')
cuda0 = torch.device('cuda:0')
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.step1 = nn.Linear(5, 25)
        self.step2 = nn.Linear(25, 50)
        self.step3 = nn.Linear(50, 100)
        self.step4 = nn.Linear(100, 100)
        self.step5 = nn.Linear(100, 10)
        self.step6 = nn.Linear(10, 1)
    def forward(self, x):
      x = F.relu(x)
      x = self.step1(x)
      x = F.relu(x)
      x = self.step2(x)
      x = F.relu(x)
      x = self.step3(x)
      x = F.relu(x)
      x = self.step4(x)
      x = F.relu(x)
      x = self.step5(x)
      x = F.relu(x)
      x = self.step6(x)
      x = F.relu(x)
      return (x)
net = Net()
x = torch.rand(10,5)
num = choice(range(10))
zero_tensor = torch.zeros(num, 1)
one_tensor = torch.ones(10-num, 1)
y = torch.cat((zero_tensor,one_tensor),0)
x.to(devicet)
y.to(devicet)
learning_rate = 1e-3
optimizer = torch.optim.Adam(net.parameters(), lr=learning_rate)
loss_fn = torch.nn.BCELoss()
acc_list = []
for i in tqdm(range(1000),desc='Training'):
    y_pred = net(x)
    loss = loss_fn(y_pred, y)
    loss.backward()
    optimizer.step()
    acc_list.append(abs(net(x).detach().numpy()[0]-y.detach().numpy()[0]))
    with torch.no_grad():
        for param in net.parameters():
            param -= learning_rate * param.grad
    optimizer.zero_grad()
print ('\nFinished training in {} epochs.'.format(len(acc_list)))
plt.plot(range(len(acc_list)),acc_list)
plt.show()
for i in range(10):
  print (str(net(x).detach().numpy()[i][0])+', '+str(y.detach().numpy()[i][0]))

当我运行它时，它始终只打印出以下内容：

为什么它不做任何训练？如果我使用MSE损耗，它会起作用（实际上，它有时只对MSE损耗起作用，有时它会做与图像中相同的事情），只有当我使用BCE时，它才会完全停止工作。

最终层激活 您只输出正值，这些正值应介于

0

和

1

之间。对于初学者，这些值具体如下：

x = F.relu(x)
return (x)

使用

torch.sigmoid

和

BCELoss

甚至更好，只需输出

x

并直接使用logits即可

训练 您在这里使用的是

Adam

optimizer并手动执行SGD：

with torch.no_grad():
    for param in net.parameters():
        param -= learning_rate * param.grad

从本质上讲，您要应用两次优化步骤，这可能太多，可能会破坏权重

optimizer.step（）

已经完成了这项工作，无需两者兼而有之

精确 本部分：

abs(net(x).detach().numpy()[0]-y.detach().numpy()[0])

我假设您想要计算准确度，它将是这样的（同样不要通过

net（x）

两次通过网络推送数据，您已经有

y\u pred

！）：

---

就我所知，x和y是完全不相关的。如果没有与

y

相关的信息，您希望如何准确预测

y

？@jodag对于这个小示例，它应该适合随机数据anyway@SzymonMaszke我想这是真的，因为

y

从不改变。使用这么重的机器来编码一个常数似乎有点奇怪。@jodag适合使用小的随机数据来调试架构/管道，这也不是学习PytorChimp实现它时最糟糕的想法，它工作得很完美，非常感谢！我是PyTorch的新手，这帮了我很大的忙！

# Assuming sigmoid activation
def accuracy(y_pred, y_true):
    # For logits use
    # predicted_labels = y_pred > 0.0
    predicted_labels = y_pred > 0.5
    return torch.mean((y_true == predicted_labels).float())