为什么我在进行任何优化之前得到的错误很少？

问题描述

我正在使用我为一个玩具示例构建的模型训练程序，并尝试在另一个示例中使用它。 唯一的区别是这个模型是用于回归的，所以我用 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))

但是，当我打印损失时，出于某种原因，在我进行任何向后传递之前，损失已经开始非常低（大约 0.6）！在随后的所有时期中，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.],[1.]])
epoch: 1,loss = 0.6842

我不知道为什么要这样做，并且会提供任何帮助。 谢谢！

编辑： 如果它们可以帮助任何人解决这个问题，我添加了参数：

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

EDIT2：在中间块添加精度计算

解决方法

BCELoss 不是错误。

p=0.5 的伯努利分布的熵是 -ln(0.5) = 0.693。这是您预期的损失，如果

1. 您的数据分布均匀
2. 您的网络正在随机猜测

或

1. 您的网络始终预测均匀分布

您的模型属于第二种情况。该网络目前正在为每个预测猜测略微负面的对数。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，因此您的准确度将与始终预测为 0 的模型相同。这只是随机权重初始化的产物。如果您不断重新初始化您的模型，您会发现有时它也总是预测 1。