PyTorch图像多属性预测输出全为0问题求助

核心问题分析与修复步骤 #

1. 损失函数选择错误 #

你当前使用的nn.CrossEntropyLoss是单标签多分类任务的损失函数（比如单类别图像分类），但你的场景是多标签二分类（每张图对应40个独立的0/1属性），完全不匹配，这是损失居高不下、预测全0的核心原因。

修复方案：改用nn.BCEWithLogitsLoss（推荐，内置sigmoid激活，数值稳定性更好），替换原损失函数定义：

criterion = nn.BCEWithLogitsLoss()

2. 模型输出层适配问题 #

确保模型最后一层输出维度为(batch_size, 40)，对应40个属性的预测logit值（使用BCEWithLogitsLoss时无需额外加sigmoid，损失函数会自动处理）。示例修改：

# 假设特征提取后得到512维特征
self.fc = nn.Linear(512, 40)  # 输出40个属性的logit值

3. 训练循环的损失反向传播错误 #

你使用reduction='none'并手动传入梯度的方式会导致梯度计算异常，正确做法是让损失函数自动完成平均/求和后再反向传播。修复训练循环：

for epoch in range(5):  # 至少训练多个epoch，1个epoch不足以收敛
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        inputs = inputs.to(device)
        labels = labels.to(device).float()  # 确保标签与模型输出类型匹配
        
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)  # BCEWithLogitsLoss自动计算平均损失
        loss.backward()  # 无需手动传入gradient参数
        optimizer.step()

        running_loss += loss.item()
        if i % 100 == 99:    
            print(f'[{epoch + 1}, {i + 1:5d}] loss: {running_loss / 100:.3f}')
            running_loss = 0.0

4. 测试阶段的预测逻辑错误 #

torch.max(outputs, 0)是跨batch维度取最大值，完全不符合多标签任务的预测逻辑。多标签任务需要对每个属性的logit做sigmoid转换，再用阈值（如0.5）判断是否为1。修复测试循环：

correct, total = 0, 0
with torch.no_grad():
    for data in testloader:
        inputs, targets = data
        inputs = inputs.to(device)
        targets = targets.to(device).float()
        
        outputs = net(inputs)
        preds = torch.sigmoid(outputs)  # 转换为0-1的概率值
        predicted = (preds >= 0.5).float()  # 用0.5作为阈值生成0/1预测
        
        total += targets.numel()  # 统计总属性数量（batch_size * 40）
        correct += (predicted == targets).sum().item()

print(f'Accuracy: {100 * correct / total:.2f} %')

5. 数据预处理潜在问题 #

CelebA原始属性标注中，-1表示属性不存在，需要转换为0，否则标签值不在0/1范围内会导致损失计算异常。修复__getitem__中的属性处理：

attributes = self.malefemale_frame.iloc[idx, 2:]
# 将-1替换为0，确保所有属性值为0或1
attributes = [float(1) if i == 1 else float(0) for i in attributes]
attributes = torch.tensor(attributes, dtype=torch.float32)  # 直接用torch.tensor更简洁

内容的提问来源于stack exchange，提问作者Alec C