Pyrotch RNN模型没有学到任何东西

Question

任务：预测提供的灾难推文是否真实。已经将我的文本数据转换成张量，然后再转换成train_loader。所有必需的代码如下所述

我的模型架构

class RealOrFakeLSTM(nn.Module):
    
    def __init__(self, input_size, output_size, embedding_dim, hidden_dim, n_layers, bidirec, drop_prob):
        super().__init__()
        self.output_size=output_size
        self.n_layers=n_layers
        self.hidden_dim=hidden_dim
        self.bidirec=True;
        self.embedding=nn.Embedding(vocab_size, embedding_dim)
        self.lstm1=nn.LSTM(embedding_dim, hidden_dim, n_layers, dropout=drop_prob, batch_first=True, bidirectional=bidirec)
        #self.lstm2=nn.LSTM(hidden_dim, hidden_dim, n_layers, dropout=drop_prob, batch_first=True)
        self.dropout=nn.Dropout(drop_prob)
        self.fc=nn.Linear(hidden_dim, output_size)
        self.sigmoid=nn.Sigmoid()
        
    def forward(self, x):
        batch=len(x)
        hidden1=self.init_hidden(batch)
        #hidden2=self.init_hidden(batch)
        embedd=self.embedding(x)
        lstm_out1, hidden1=self.lstm1(embedd, hidden1)
        #lstm_out2, hidden2=self.lstm2(lstm_out1, hidden2)
        lstm_out1=lstm_out1.contiguous().view(-1, self.hidden_dim) # make it lstm_out2, if you un comment the other lstm cell.
        out=self.dropout(lstm_out1)
        out=self.fc(out)
        sig_out=self.sigmoid(out)
        sig_out=sig_out.view(batch, -1)
        sig_out=sig_out[:, -1] 
        return sig_out
    
    def init_hidden(self, batch):
        if (train_on_gpu):
          if self.bidirec==True:
            hidden=(torch.zeros(self.n_layers*2, batch, self.hidden_dim).cuda(),torch.zeros(self.n_layers*2, batch, self.hidden_dim).cuda())
          else:
            hidden=(torch.zeros(self.n_layers, batch, self.hidden_dim).cuda(),torch.zeros(self.n_layers, batch, self.hidden_dim).cuda())
        else:
          if self.bidirec==True:
            hidden=(torch.zeros(self.n_layers*2, batch, self.hidden_dim),torch.zeros(self.n_layers*2, batch, self.hidden_dim))
          else:
            hidden=(torch.zeros(self.n_layers, batch, self.hidden_dim),torch.zeros(self.n_layers, batch, self.hidden_dim))
        return hidden

超参数和训练

learning_rate=0.005
epochs=50
vocab_size = len(vocab_to_int)+1 # +1 for the 0 padding
output_size = 2
embedding_dim = 300
hidden_dim = 256
n_layers = 2
batch_size=23
net=RealOrFakeLSTM(vocab_size, output_size, embedding_dim, hidden_dim, n_layers, True, 0.3)
net.to(device)
criterion=nn.BCELoss()
optimizer=torch.optim.Adam(net.parameters(),lr=learning_rate)
net.train()
loss_arr=np.array([])
lossPerEpoch=np.array([])
for i in range(epochs):
  total_loss=0;
  for input,label in train_loader:
    if train_on_gpu:
      input=input.to(device)
      label=label.to(device)
    optimizer.zero_grad()
    input=input.clone().detach().long()
    out=net(input)
    loss=criterion(out.squeeze(),label.float())
    loss_arr=np.append(loss_arr,loss.cpu().detach().numpy())
    loss.backward()
    optimizer.step()
    total_loss+=loss
  total_loss=total_loss/len(train_loader)
  lossPerEpoch=np.append(lossPerEpoch,total_loss.cpu().detach().numpy())
  print("Epoch ",i,": ",total_loss)
  torch.save(net.state_dict(), Path+"/RealOrFakeLSTM.pt")
  torch.save(net, Path+"/RealOrFakeLSTM.pth")
current_time=str(time.time())
torch.save(net.state_dict(), Path+"/pt/RealOrFakeLSTM"+'_pt_'+current_time+".pt")
torch.save(net, Path+"/pth/RealOrFakeLSTM"+'_pth_'+current_time+".pth")

总损失值几乎相同，测试数据集中的所有结果概率完全相同。我对这个很陌生，所以超参数调整，我有点喜欢bruteforce，但似乎没有任何效果，我认为我的问题不在于架构，而在于训练部分，因为所有的预测都完全相同

Answer 1

好消息是：“总损失值几乎相同”，这意味着它们并不总是相同的，因此，我认为您的网络不会输出恒定的概率！我可以看出你的培训没有按计划进行的原因有很多。不幸的是，如果不调试自己，我将无法肯定地说会发生什么。以下是我的假设：

• 首先，有害的一点是：对于神经网络来说，任务可能太难了。你有没有试过手工分类，你觉得容易吗？对于这一点，没有简单的解决办法，除非承认机器学习不是一根魔杖，不能解决所有问题
• 也许你的学习率太高（或太低），试着启动培训，每次10^-5到100乘以10。不需要让培训运行太长时间，只需检查从一次迭代到另一次迭代的损失变化有多大
• 也许你的训练集是不平衡的：如果你有95%的True输入和5%的False输入，那么你的网络自然会从每次预测True开始（logits对应的概率约为95%）。在这种情况下，尝试人为地平衡它（至少暂时地）：可以通过复制False示例（理想情况下不是在内存中而是直接在代码中）或删除一些True示例（理想情况下也只是在代码中，而不是在数据库中）来实现
• 可能您的架构太小（或太大），请尝试添加（或删除）层。我将从移除层开始，因为较小的网络往往学习更快

尽管测试所有这些假设可能会对您有所帮助，但我首先鼓励您了解网络的输出，打印softmax层的输出：它输出的概率有多大，您能猜出原因吗？（有时你不能，但通常情况下，这是可能的，就像我在前面的回答中提到的95/5概率的情况）检查损失是否是你期望的，如果有这个输出（如果需要的话，手动计算），一般来说，好奇地想知道你的代码是如何运行的，并检查它是否在任何可以解释变量的地方都能正常工作

这是机器学习中最难的部分之一，在机器学习中一帆风顺并不容易；）祝你好运

Answer 2

从我可以告诉你的是，在每次向前传递中初始化hidden1=self.init_hidden（批处理）。这不应该是正确的。在每个正向过程中初始化一个层可以解释您描述的行为