深度学习（21）——关于训练过程中loss和acc固若磐石

深度学习（21）——关于训练过程中loss和acc固若磐石

1. 背景描述

最近在做时间序列，思路清晰明朗，model全部搭建好了，但是loss和acc固若磐石，稳步不动。还是分类任务，因为是之前调试过的代码，后来自己手写了一遍（对自己非常有信心！）结果，就出现了这种情况。

2. 问题排查

听师兄的话，一定会找到bug的原因。我去掉时间序列，直接用自己手写的代码去做分类，竟然出现和上面同样的情况，OOTD，麻了。debug吧！在loss的地方跳了又跳，检查了又检查，都没查出错误，一天过去了。今天早上对着代码又检查，oh no，被自己蠢到了！
我的loss:预测的label和真实的label在做loss

_, output = model(images.to(device))
pred_class = torch.sigmoid(output).gt(0.5).int()
accu_num += torch.eq(pred_class.squeeze_(), labels.to(device)).sum()  # 正确的个数
loss = loss_function(pred_class.float(), labels.to(device).float())

loss = loss_function(pred_class.float(), labels.to(device).float())扪心自问：这loss能这样写吗？？？这不是难为机器吗？？？机器内心独白：大人啊！只有0和1这些标签，让我学什么？？这不是难为我吗？？

3. 来吧！解决问题！

得到预测的分类结果（0,1，2,3，4…这种离散结果）只用于计算模型预测的准确个数，loss是需要让他反向传播去学习怎么变化的，所以应该是他和真实值之间的差异！正确的写法:
loss = loss_function(output.float(), labels.to(device).float())

886，只希望自己以后少出现这种低级错误！