Pytorch 零损耗Pyrotch resnet

我正在训练一个用于图像分割的Pytorch Resnet模型。我有两门课，我正在学习RGB图像和相应的二进制掩模。虽然我的准确度值非常高（~0.99），但我的训练和验证损失值在所有时期都为零。如何解决此问题

#我们首先进行空间变换，然后进行任何颜色增强
img_transform=transforms.Compose([
transforms.ToPILImage（），
transforms.RandomVerticalFlip（），
transforms.RandomHorizontalFlip（），
变换。随机裁剪（大小=（面片大小，面片大小），如果需要，则填充=真），#这些需要以可复制的顺序，首先是仿射变换，然后是颜色
transforms.RandomResizedCrop（大小=面片大小），
随机旋转（180），
颜色抖动（亮度=0，对比度=0，饱和度=0，色调=0.5），
transforms.RandomGrayscale（），
transforms.ToTensor（）
])
mask_transform=transforms.Compose([
transforms.ToPILImage（），
transforms.RandomVerticalFlip（），
transforms.RandomHorizontalFlip（），
变换。随机裁剪（大小=（面片大小，面片大小），如果需要，则填充=真），#这些需要以可复制的顺序，首先是仿射变换，然后是颜色
transforms.RandomResizedCrop（大小=面片大小，插值=PIL.Image.NEAREST），
随机旋转（180），
])
数据集={}
数据加载器={}
对于阶段中的阶段：#现在对于每个阶段，我们将创建数据加载器
#有趣的是，考虑到批量大小，我没有看到使用num_workers>0的任何改进
数据集[阶段]=数据集（f”/content/{dataname}{phase}.pytable），img_变换=img_变换，掩码_变换=掩码_变换，边_权重=边_权重）
数据加载器[阶段]=数据加载器（数据集[阶段]，批次大小=批次大小，
shuffle=True，num\u workers=0，pin\u memory=True）
optim=torch.optim.Adam（model.parameters（））
nclasses=dataset[“train”].numpixels.shape[1]
class_weight=dataset[“train”]。numpixels[1,0:2]#此处不考虑被忽略的类
class\u weight=torch.from\u numpy（1-class\u weight/class\u weight.sum（））.type（'torch.FloatTensor'）。到（设备）
打印（分级重量）#显示最终使用的重量，在继续之前确保其合理
criteria=nn.CrossEntropyLoss（权重=类权重，忽略索引=忽略索引，减少=假）#减少=假确保我们得到的是2D输出，而不是1D“摘要”值
对于范围内的历元（num_历元）：
#零出基于历元的性能变量
打印（'Epoch{}/{}'。格式（Epoch，num_epochs-1））
打印（'-'*10）
all_acc={key:0表示相位中的键}
all_损耗={key:torch.zeros（0）.to（设备）for key in phases}
cmatrix={key:np.相位键的零（（2,2））}
对于阶段内阶段：#迭代培训和验证状态
如果相位==‘列车’：
model.train（）#将model设置为训练模式
否则：#在评估模式下，我们不希望更新参数
model.eval（）#将model设置为评估模式
运行损耗=0.0
运行_校正=0
对于ii，枚举（数据加载器[阶段]）中的（X，y，y_权重）：对于每个批次
优化零度梯度（）
X=X.to（设备）#[批次，3，H，W]
y_-weight=y_-weight.type（'torch.FloatTensor'）。到（设备）
y=y.type（'torch.LongTensor'）。至（装置）#[Nbatch，H，W]，具有等级索引（0，1）
启用torch.set_grad_（相位=‘训练’）：#动态设置梯度计算，在验证的情况下，不需要这样做
#禁用是一种很好的做法，可以缩短推理时间
预测=model_ft（X）#[N，Nclass]
y=y[：，0,0]
损失=标准（预测，y）
打印（丢失）
_，preds=火炬最大值（X，1）
preds=preds[：，0,0]
如果阶段==“训练”：#如果我们处于训练模式，需要进行反向传播
loss.mean（）向后（）
optim.step（）
正在运行的_loss+=loss.data[0]
运行_校正+=torch.sum（preds==y）
epoch\u loss=running\u loss/len（数据加载器[阶段].dataset）
epoch\u acc=running\u corrects.double（）/len（数据加载器[phase].dataset）
打印（{}丢失：{.4f}附件：{.4f}）。格式（相位、历元丢失、历元附件））
#深度复制模型
如果相位=='val'和历元\u acc>最佳\u acc：
最佳会计科目=新纪元会计科目
best_model_wts=copy.deepcopy（model.state_dict（））
如果相位='val'：
val_acc_history.append（历元_acc）
打印（）