多分类模型Loss与精度无变化：需输出超实际类别数的logits

针对你在RML2016.10a数据集上实现VTCNN2时遇到的「仅当输出类别数≥12时模型才正常训练」的异常，结合Poutyne框架的使用，从以下几个方向排查：

1. 标签取值范围验证 #

RML2016.10a数据集共包含11类信号，标签应严格落在0~10区间内。如果训练/验证集标签中存在11或其他超出该范围的数值：

• 当模型输出类别数设为11时，CrossEntropyLoss会将这些超出范围的标签视为无效（默认不会报错，但会忽略对应样本的梯度计算），导致有效训练样本不足，模型无法更新；
• 当类别数设为12时，标签11被视为有效类别，所有样本都参与Loss计算，模型正常更新。

验证方法：

import numpy as np
# 获取训练集标签
y_train = [sample[1] for sample in train_dataset]
print(np.unique(y_train))  # 预期输出：[0 1 2 3 4 5 6 7 8 9 10]

2. 模型输出层初始化检查 #

若输出层（全连接层）的权重初始化在11类时出现极端情况（如权重全部趋近于0），会导致模型输出的logits几乎一致，Loss稳定在ln(11)≈2.3979左右，梯度极小无法驱动更新；而类别数设为12时初始化逻辑正常。

验证方法：

model = VTCNN2(num_classes=11)
# 打印输出层权重的均值和方差
print(model.fc.weight.mean(), model.fc.weight.var())
# 对比num_classes=12时的结果，若差异极大则需调整初始化方式

调整方案：修改输出层的初始化逻辑，比如使用nn.init.kaiming_normal_()替代默认初始化：

class VTCNN2(nn.Module):
    def __init__(self, num_classes=11):
        super().__init__()
        # ...其他层定义...
        self.fc = nn.Linear(in_features, num_classes)
        # 手动初始化输出层权重
        nn.init.kaiming_normal_(self.fc.weight)
        nn.init.zeros_(self.fc.bias)

3. 数据加载/预处理的隐性错误 #

检查自定义数据加载器或预处理逻辑是否存在「当num_classes=11时错误过滤样本」的情况：

• 比如某些预处理代码中，误将标签为10的样本过滤；
• 或者数据加载时，仅加载前10类样本，导致模型无足够数据学习。

验证方法：统计不同类别数设置下的训练集样本总量：

print(len(train_loader.dataset))  # num_classes=11和12时应该一致

4. Loss函数参数检查 #

确认CrossEntropyLoss的ignore_index参数是否被误设置为0_{10之间的数值，这会导致对应类别的样本被忽略，模型无法学习；而当类别数设为12时，`ignore_index`若不在0}11范围内，不会影响训练。

检查代码：

# 确保Loss初始化时未设置错误的ignore_index
from poutyne import CrossEntropyLoss
loss_fn = CrossEntropyLoss()  # 默认ignore_index=-1，不会忽略任何有效标签

内容的提问来源于stack exchange，提问作者Minuano