GRU文本分类模型准确率仅4%无法收敛，求代码bug排查及调试方案

已知致命BUG #

• 优化逻辑重复执行参数更新
  你在已经使用Adam优化器调用optim.step()的前提下，额外手动执行了参数更新：

for p in model.parameters():
    p.data.add_(p.grad, alpha=-learning_rate)

这行代码完全打乱了Adam内置的动量、学习率自适应逻辑，相当于单步迭代更新两次参数，直接导致模型无法收敛。直接删除这两行手动更新参数的代码即可。

• 特征利用无效
  你将句子切分为多个三元组输入GRU，但仅用最后一个三元组的输出计算损失，前面所有三元组的计算结果被直接覆盖，梯度无法回传到前面的特征计算步骤，90%以上的输入特征完全没有被利用，模型只能通过最后3个词预测分类，效果自然和随机猜测一致。
  建议的修复方案：

  1. 放弃切分ngram，直接输入完整句子，通过padding补齐同batch内的句子长度即可，GRU天然支持处理变长序列
  2. 如果坚持使用ngram特征，可将所有ngram的输出做平均池化/最大池化后再传入全连接层计算损失，保证所有特征都参与梯度计算

• 隐藏状态初始化不合理
  GRU的隐藏状态默认使用全零初始化，你当前使用torch.randn随机初始化会大幅提升训练初期的波动，建议修改init_hidden实现：

def init_hidden(self):
    self.hidden_state = torch.zeros(self.num_layers, self.batch_size, self.hidden_size).to(device)

• 类名匹配校验
  你定义的模型类为GRU，但实例化时调用的是RNN，请确认实际的RNN类实现和你贴出的GRU类逻辑一致，避免类名不匹配导致调用错误的模型结构。

调试建议 #

• 先做小批量过拟合测试：抽取10条固定的训练样本，反复训练模型，如果模型无法在10个epoch内达到100%的训练准确率，说明还有其他底层逻辑bug
• 校验数据匹配性：打印train_loader返回的3-5组样本，核对文本编码和标签的对应关系是否正确，避免出现数据加载时标签和文本错位的问题
• 校验词编码范围：确认所有词编码的最大值小于Embedding层的input_size，避免出现索引越界的隐性错误

内容的提问来源于stack exchange，提问作者Alaa M.