为什么我在进行任何优化之前得到的错误率很低？

Question

我正在使用我为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用于回归，因此我使用 MSE 作为错误标准，现在它用于二进制分类，因此我使用 BCEWithLogitsLoss。

模型很简单：

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）！它在随后的所有时期都保持这种低水平。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.],
        [0.],
        ...,
        [0.],
        [0.],
        [1.]])
epoch: 1, loss = 0.6842

我不知道为什么要这样做，希望能提供任何帮助。谢谢！

编辑：如果他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：在中间块中添加了精度计算

Answer 1

BCELoss 不是错误。

p=0.5 的伯努利分布的熵为 -ln(0.5) = 0.693。如果

，这是您预期的损失

您的数据分布均匀
您的网络正在随机猜测

或

您的网络始终预测均匀分布

你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的对数。这些将被解释为 0 class 个预测。由于您的数据似乎对 0 个标签不平衡，因此您的准确性将与始终预测 0 的模型相同。这只是随机权重初始化的产物。如果你不断地重新初始化你的模型，你会发现有时它也会总是预测 1。

为什么我在进行任何优化之前得到的错误率很低？

Why am I getting a low error before I did any optimization?

python

optimization

neural-network

pytorch

cross-entropy