PyTorch行为识别模型无法训练损失不下降，同结构Keras模型可正常运行

问题核心成因 #

你代码里最致命的问题是在forward函数中动态创建AvgPool1d层，这会导致梯度无法正常反向传播到前面的卷积层，相当于前面的参数根本不会更新，自然损失不下降、准确率不上升。其他次要问题也会加剧不收敛的情况。

具体问题与对应解决方法 #

• 1. 动态创建池化层问题

  你在forward方法中每次前向传播时都重新实例化nn.AvgPool1d并赋值给self.layer_9，该层不会被注册到模型的计算图中，反向传播时梯度无法回传至浅层卷积层。
  解决：把动态池化换成全局自适应平均池化，在__init__中定义固定层：

  # 在__init__里加这行，删掉原来的layer9注释和forward里动态创建的代码
  self.global_avg_pool = nn.AdaptiveAvgPool1d(1)
  

  forward里对应的位置改成：

  x = self.global_avg_pool(x)
  

• 2. 学习率设置不合理

  Adam优化器默认推荐学习率是1e-3，你初始用的0.1过高，哪怕你下调过，如果还是远高于1e-3的话，会导致参数一直在最优区间附近震荡，无法收敛。
  解决：直接把优化器学习率设为1e-3，如果还是震荡再降到3e-4或1e-4：

  optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) 
  

• 3. 没有切换模型的train/eval模式

  PyTorch的Dropout层在训练和验证阶段行为不同，你训练时没有显式启用train模式，验证时也没有关闭Dropout，会导致结果不准、训练不稳定。
  解决：训练循环开始前加model.train()，每次epoch结束计算准确率、损失前加model.eval()，计算完成后再加model.train()切回训练模式。

• 4. 工具方法依赖全局变量

  你在calculate_accuracy、calculate_loss方法中直接调用全局变量model，而不是self，如果全局变量名变动会直接出错，修改成调用自身即可：

  # 把model.forward改成self.forward
  output = self.forward(X.float())
  

• 5. 预处理一致性问题

  确认你PyTorch版本的数据预处理和Keras版本完全一致：输入是否做了逐通道的均值方差归一化、标签是否是从0开始的连续整数（6分类要求标签范围是0_5，不是16）。

验证方法 #

修改完成后，先取10~20个样本反复训练10个epoch，如果损失能降到接近0、准确率接近100%，说明模型已经可以正常训练，再换成全量数据集跑即可。

内容的提问来源于stack exchange，提问作者Prakyath Kantharaju