CNN文本二分类训练5轮后训练与验证损失骤升，请问可能原因是什么？

• 损失函数与输入维度不匹配：你当前任务是二分类，使用了nn.CrossEntropyLoss()作为损失函数，该损失要求模型输出维度为2（对应两个类别），且标签输入是形状为[batch_size]的一维张量。但你在训练代码中用torch.unsqueeze(batch.labels, 1)将标签转为了[batch_size, 1]的二维张量，前几个epoch可能因为模型输出分布较散没触发异常，训练到一定阶段后维度不匹配导致损失计算逻辑出错，直接出现异常大值。如果你的模型最终输出维度是1，应该改用nn.BCEWithLogitsLoss()作为损失函数，此时加维度的操作才是匹配的。
• 梯度裁剪失效导致梯度爆炸：虽然你加入了torch.nn.utils.clip_grad_norm_梯度裁剪逻辑，但如果配置文件中clip参数设置过大（比如远大于1），裁剪操作几乎不会生效。训练到第5个epoch后，梯度过大直接冲爆模型参数，参数变为无穷大或NaN，后续损失计算就会出现异常高值。
• 学习率未设置衰减，后期参数更新幅度过大：你使用的Adam优化器默认学习率为1e-3，且代码中没有加入学习率衰减策略。模型前期收敛顺利，到第5个epoch后进入损失曲面的不稳定区域，过大的学习率会导致单步参数更新直接跳出收敛区间，参数漂移到损失极高的位置。
• 数据迭代器读取到脏数据：前5个epoch迭代器读取的都是正常的标注数据，第6个epoch开始可能读取到了异常样本：比如标签值不是0/1而是极大的数值、文本token id超出词表范围导致embedding查询返回异常值、文本序列长度异常大导致中间计算溢出，都会直接拉高整体epoch损失。
• 数值计算溢出：模型训练到一定阶段后，输出层的logits数值过大，CrossEntropyLoss内部计算softmax时做exp操作会直接溢出为无穷大，后续对数计算就会得到异常高的损失值。
• 配置读取逻辑错误：你在读取配置时强制所有值先转float，小于1的保留float否则转int，如果配置文件中clip、学习率这类本该是小于1的浮点值被误存为错误格式，会导致参数转换后变为异常大的数值，触发梯度爆炸或者更新异常。

内容的提问来源于stack exchange，提问作者Ankan Sharma