PyTorch二分类模型训练时损失与准确率恒定问题解决

你的模型损失和准确率恒定，核心原因是损失函数的输入顺序完全错误，导致模型无法进行有效学习，同时代码还有其他几个细节问题，逐一修复如下：

1. 修正损失函数的输入顺序 #

nn.BCEWithLogitsLoss()的参数顺序为input, target，即模型输出在前，目标标签在后。你的代码写反了：

# 错误写法
loss=lossfn(y,yHat)
# 正确写法
loss=lossfn(yHat, y)

这是模型完全不更新的核心原因——反向传播的梯度方向完全错误，参数无法向正确方向优化，所以损失一直维持在随机猜测的0.693（对应sigmoid输出0.5时的损失）。

2. 移除重复的损失记录 #

代码中重复执行了batchLoss.append(loss.item())，会让每个batch的损失被记录两次，导致平均损失计算有误，删除其中一行即可：

batchLoss.append(loss.item())
predictions=yHat>0
# 删掉下面这一行重复的损失添加
# batchLoss.append(loss.item())

3. 正确计算测试集准确率 #

当前代码只取了测试集的第一个batch计算准确率，无法反映模型在整个测试集上的表现，应该遍历整个测试集：

# 错误写法
model.eval()
X,y=next(iter(test_loader))
with torch.no_grad():
    yHat=model(X)
test_acc.append( 100*torch.mean(((yHat>0) == y).float()))

# 正确写法
model.eval()
test_batch_acc = []
with torch.no_grad():
    for X, y in test_loader:
        yHat = model(X)
        acc = 100 * torch.mean(((yHat > 0) == y.float()).float()).item()
        test_batch_acc.append(acc)
test_acc.append(np.mean(test_batch_acc))

4. 确保数据类型匹配 #

检查y的数据类型是否和模型输出yHat一致（比如都是torch.float32），如果y是整数类型，比较时会出现隐性错误，可显式转换：

acc = 100 * torch.mean(((yHat > 0) == y.float()).float())

5. 验证模型结构 #

确认你的Model类最后一层输出维度正确：二分类任务应该输出单个数值（对应每个样本的logit），比如最后一层应为nn.Linear(in_features, 1)，而非多个神经元。

修复后的完整训练循环示例 #

model=Model()
lossfn=nn.BCEWithLogitsLoss()
optimizer=torch.optim.Adam(model.parameters(),lr=0.01)
epochs=10
train_acc=[]
test_acc=[]
losses=torch.zeros(epochs)

for i in range(epochs):
    model.train()
    batchAcc=[]
    batchLoss=[]

    for X,y in train_loader:
        yHat=model(X)
        # 修正损失函数输入顺序
        loss=lossfn(yHat, y)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        batchLoss.append(loss.item())
        predictions=yHat>0
        # 确保y是float类型
        batchAcc.append(100*torch.mean(((yHat>0) == y.float()).float()).item())

    losses[i]=np.mean(batchLoss)
    train_acc.append(np.mean(batchAcc))

    # 修正测试集准确率计算
    model.eval()
    test_batch_acc = []
    with torch.no_grad():
        for X, y in test_loader:
            yHat=model(X)
            acc = 100*torch.mean(((yHat>0) == y.float()).float()).item()
            test_batch_acc.append(acc)
    test_acc.append(np.mean(test_batch_acc))

    print(f'Epoch:{i+1} loss:{losses[i]:.6f} train accuracy:{train_acc[-1]:.2f} test accuracy:{test_acc[-1]:.2f}')

内容的提问来源于stack exchange，提问作者Kumar