Pytorch Pyrotch LSTM的损耗不会减少

我是Pytork的新手，正在寻求您对lstm实施的帮助。我有一个单层LSTM，后面是一个完全连接的层和sigmoid（实现深度知识跟踪）

示例输入输出对如下所示：， 输入=

[1,0,0,0],

[0,1,0,0]

[0,0,1,0]

[0,0,0,1]]

输出= [1,0],

[0,0],

[0,1],

[-1，-1]]

我有下面的LSTM代码，希望计算二进制交叉熵作为损失。然而，损失并没有随着时代的推移而减少。我关注了几个博客来实现这一点，我认为这是正确的。我的代码有什么问题吗？如果您能花几分钟的时间查看代码，并帮助建议代码是否有问题，那就太好了

类构建模型（nn.Module）：
on\gpu=错误
定义初始单位（自我，数量技能，批量大小=2，lstm单位=200）：
super（BuildModel，self）。\uuuu init\uuuuu（）
self.lstm_单位=lstm_单位
self.batch\u size=批次大小
self.output\u dim=num\u技能
self.input\u dim=num\u skills*2
self.seq_len=seq_len
self.\u构建\u模型（）
定义构建模型（自）：
self.lstm=nn.lstm(
输入尺寸=自输入尺寸，
隐藏大小=self.lstm\u单位，
层数=1，
批次_first=True，
)
self.hidden_to_skills=nn.Linear（self.lstm_单位，self.output_dim）
def init_隐藏（自）：
hidden_a=torch.randn（1，自我批量大小，自我lstm单位）
隐藏\u b=火炬.randn（1，自我批量大小，自我lstm单位）
如果self.onGPU：
hidden_a=hidden_a.cuda（）
hidden_b=hidden_b.cuda（）
hidden_a=变量（hidden_a，需要_grad=True）
hidden_b=变量（hidden_b，需要_grad=True）
返回（隐藏的\u a、隐藏的\u b）
def前进（自身、X、X_长度）：
self.hidden=self.init_hidden（）
批量大小，顺序长度，=X.大小（）
##X为形状批次大小、序列长度、数量*2
X=torch.nn.utils.rnn.pack\U padded\U序列（X，X\U长度，批次\U first=True，强制\U排序=False）
十、 self.hidden=self.lstm（X，self.hidden）
十、 =火炬.nn.utils.rnn.pad\u包装顺序（X，批次\u第一=真）
#从（批量大小、顺序+长度、lstm单位）传输数据-->（批量大小*顺序长度、lstm单位）
X=X.continuous（）
X=X.view（-1，X.shape[2]）
X=自我隐藏技能（X）
X=火炬。nn。功能性。乙状结肠（X）
#返回预测
返回X
def损失（自我、帽子、阈值、序列）：
#展平标签
Y=Y.视图（-1）
Y_hat=Y_hat.视图（-1，序列长度*自输出尺寸*自批大小）
掩码=（Y>-1）.float（）
掩码长度=（Y>-1）.long（）
nb_tokens=int（torch.sum（mask.item（））
Y_帽子=Y_帽子[范围（Y_帽子形状[0]）]*遮罩
Y_帽子=Y_帽子。重塑（-1）
Y=Y[范围（Y.形状[0]）]*遮罩长
Y=Y.float（）
Y_hat=（Y_hat>0.0）.float（）*1.0
损耗=torch.nn.BCELoss（）
ce_损失=损失（Y_hat，Y）
返回变量（ce_损失，需要_梯度=真）
###训练
学习率=.1
总步进=长度（装载机）
model=BuildModel（num_skills，2200）
optimizer=torch.optim.Adam（model.parameters（），lr=learning\u rate）
对于范围内的历元（num_历元）：
总损失=0.0
对于枚举（加载器）中的i，（X，y，长度，序号）：
X=火炬。从_numpy（X）。浮动（）
y=火炬。从_numpy（y）.long（）
输出=型号（X，长度）
损耗=模型损耗（输出，y，0.5，序号）
optimizer.zero_grad（）
loss.backward（）
optimizer.step（）

能否显示训练循环代码？感谢您的查看。我已经用训练循环代码更新了这个问题。