Keras转PyTorch模型性能差异排查：为何结果大相径庭？

针对你遇到的Keras模型正常但PyTorch重实现后全预测负类的问题，从以下几个核心匹配点逐一排查：

1. 数据预处理必须严格对齐 #

Keras和PyTorch模型的输入数据必须保持完全一致的预处理：

• 检查特征归一化/标准化：如果Keras中使用了StandardScaler或MinMaxScaler对训练集做了缩放，PyTorch中必须使用同一个scaler的均值、标准差对数据做转换，不能重新拟合scaler，否则数据分布差异会导致模型无法学习。
• 标签格式与类型：确认PyTorch中标签y的类型为float（因为BCELoss要求输入和标签同类型），且形状与Keras一致（比如都是一维数组(n_samples,)）。

2. 损失函数与优化器的正确配置 #

• 损失函数：Keras的binary_crossentropy对应PyTorch的nn.BCELoss()，必须确保你没有误用多分类的CrossEntropyLoss（该损失自带softmax，与你手动加的sigmoid冲突）。正确的损失定义示例：

  criterion = nn.BCELoss()
  

• 优化器：必须将模型参数传入Adam优化器，否则权重不会更新。示例：

  optimizer = torch.optim.Adam(model.parameters(), lr=0.001)  # lr与Keras默认一致
  

3. 训练循环的关键细节 #

PyTorch训练需要手动管理梯度与迭代流程，以下是必须的步骤：

• 每次迭代前清零梯度：optimizer.zero_grad()，否则梯度会累加导致更新异常。
• 完整的训练步骤：

  model.train()  # 切换训练模式
  for epoch in range(100):  # 与Keras的epochs一致
      for x_batch, y_batch in dataloader:  # DataLoader需设置shuffle=True
          optimizer.zero_grad()
          outputs = model(x_batch)
          loss = criterion(outputs, y_batch.unsqueeze(1))  # 确保标签形状与输出匹配
          loss.backward()
          optimizer.step()
  

  注意：如果你的标签是一维的，输出是(batch_size,1)，需要用y_batch.unsqueeze(1)调整形状匹配，否则会报维度错误。
• 确认训练轮次与Keras一致（100个epoch），轮次不足会导致模型未收敛。

4. 混淆矩阵计算逻辑验证 #

检查你计算混淆矩阵的代码是否正确：
二分类任务中，需要将sigmoid输出的概率值通过阈值（通常0.5）转换为类别：

preds = (model(x_test) > 0.5).float().squeeze().numpy()

如果直接将输出值作为类别（比如取整），当模型输出全小于0.5时，会全部被判定为0类，导致混淆矩阵出现全0的第二列。

内容的提问来源于stack exchange，提问作者Ali Fradi