使用PyTorch构建深度学习项目时计算F1分数报错求助

错误原因 #

1. 模型结构与损失函数不兼容：你使用了BCEWithLogitsLoss，但手动在模型最后添加了Sigmoid层。该损失函数内部已集成Sigmoid操作，重复计算会导致损失值异常，干扰模型收敛。
2. F1分数计算参数不匹配：你的任务属于多标签分类（每个样本可同时归属多个类别，输出为多维度0/1向量），但默认的f1_score参数是针对单标签多分类任务设计的，导致指标函数无法识别输入的目标类型，抛出类型不匹配错误。

修复步骤 #

1. 修正模型结构 #

移除模型最后一层的Sigmoid：

model = nn.Sequential(
    nn.Linear(135, 50),
    nn.ReLU(),
    nn.Linear(50, 50),
    nn.ReLU(),
    nn.Linear(50, max_length)  # 移除Sigmoid，由BCEWithLogitsLoss内部处理
)

2. 正确计算F1分数 #

使用sklearn.metrics.f1_score时，需指定适配多标签任务的参数。假设你的y_test是多标签指示器格式（如每个样本为[0,1,0,1]），代码如下：

from sklearn.metrics import f1_score

model.eval()
with torch.no_grad():  # 推理阶段禁用梯度计算，节省资源
    y_pred = model(X_test)
    y_pred = (y_pred > 0.5).float()  # 阈值处理得到二值预测

# 转换为numpy数组并转为int类型
y_pred_np = y_pred.cpu().numpy().astype(int)
y_test_np = y_test.cpu().numpy().astype(int)

# 计算多标签F1分数，average参数可选'micro'/'macro'/'weighted'
# - micro：计算所有类别整体的F1
# - macro：计算每个类别的F1后取平均，不考虑类别样本不平衡
# - weighted：计算每个类别的F1后按样本数加权平均
f1 = f1_score(y_test_np, y_pred_np, average='micro')
print(f"F1 Score: {f1:.4f}")

额外优化建议 #

• 训练时可调整损失打印频率（比如每10个batch打印一次），避免输出过多冗余信息。
• 尝试用Adam优化器替代SGD，通常能获得更快的收敛速度。

内容的提问来源于stack exchange，提问作者swat08