当您的模型不能过度拟合一小部分数据时，这意味着什么？

Question

我正在尝试训练 RNN 模型将句子分为 4 类，但它似乎不起作用。我尝试过拟合 4 个有效的示例（蓝线），但即使只有 8 个示例（红线）也不起作用，更不用说整个数据集了。

我尝试了 hidden_size 和 embedding_size 的不同学习率和大小，但似乎没有帮助，我错过了什么？我知道，如果模型无法过度拟合小批量，则意味着应该增加容量，但在这种情况下，增加容量没有任何效果。架构如下：

class RNN(nn.Module):
    def __init__(self, embedding_size=256, hidden_size=128, num_classes=4):
        super().__init__()
        self.embedding = nn.Embedding(len(vocab), embedding_size, 0)
        self.rnn = nn.RNN(embedding_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, num_classes)

    def forward(self, x):
        #x=[batch_size, sequence_length]
        x = self.embedding(x) #x=[batch_size, sequence_length, embedding_size]
        _, h_n = self.rnn(x)  #h_n=[1, batch_size, hidden_size]
        h_n = h_n.squeeze(0)
        out = self.fc(h_n)  #out=[batch_size, num_classes]
        return out

输入数据是标记化的句子，用 0 填充到批次中最长的句子，例如一个样本是：[2784, 9544, 1321, 120, 0, 0]。数据来自 AG_NEWS 来自 torchtext 数据集的数据集。

训练代码：

model = RNN().to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=LR)
model.train()

for epoch in range(NUM_EPOCHS):
    epoch_losses = []
    correct_predictions = []
    for batch_idx, (labels, texts) in enumerate(train_loader):
        scores = model(texts)
        loss = criterion(scores, labels)
        
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()
    
        epoch_losses.append(loss.item())
        correct = (scores.max(1).indices==labels).sum()
        correct_predictions.append(correct)
        
    epoch_avg_loss = sum(epoch_losses)/len(epoch_losses)
    epoch_avg_accuracy = float(sum(correct_predictions))/float(len(labels))

Answer 1

这个问题是由于梯度消失引起的，它已通过使用批量归一化得到解决。

当您的模型不能过度拟合一小部分数据时，这意味着什么？

What it means when your model can't overfit a small batch of data?

python

deep-learning

pytorch

classification

recurrent-neural-network