为什么我的分类器不给我二进制结果？

Question

我创建了一个线性的ReLu网络，它应该与我的数据过度匹配。我使用bcewithlogisticsloss作为损失函数。我用它来分类三维点。因为数据很小，所以我不想分批处理。而且效果很好。然而，现在我已经实现了批处理，它似乎预测值不是我所期望的（即0或1），相反，它给我的数字像-25.4562我没有改变任何其他从网络只有批处理。你知道吗

我尝试了二进制丢失函数BSELoss，但是它似乎是pytorch版本中的一个bug，所以我不能使用它。你可以看看我的代码如下：

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

# We load the training data 
Samples, Ocupancy = common.load_samples()
for i in range(0,Ocupancy.shape[0]):
    if Ocupancy[i] > 1 or Ocupancy[i] < 0:
        print("upsie")

max = np.amax(Samples)
min = np.amin(Samples)

x_test = torch.from_numpy(Samples.astype(np.float32)).to(device)
y_test = torch.from_numpy(Ocupancy.astype(np.float32)).to(device)

train_data = CustomDataset(x_test, y_test)

train_loader = DataLoader(dataset=train_data, batch_size= 22500, shuffle=False) # Batches_size equal to the number of points in each slice 


phi = common.MLP(3, 1).to(device)
criterion = torch.nn.BCEWithLogitsLoss()
optimizer = torch.optim.Adam(phi.parameters(), lr = 0.01)
epoch = 10

fit_start_time = time.time()

for epoch in range(epoch):
    for x_batch, y_batch in train_loader:
        #optimizer.zero_grad()

        x_train = x_batch.to(device)

        y_train = y_batch.to(device)

        y_pred = phi(x_batch)
        print(y_pred)

        # Compute Loss
        loss = criterion(y_pred.squeeze(), y_batch.squeeze())

        print('Epoch {}: train loss: {}'.format(epoch, loss.item()))    # Backward pass

        loss.backward()
        optimizer.step()

fit_end_time = time.time()

print("Total time = %f" % (fit_end_time - fit_start_time))
min = -2
max = 2
resolution = 0.05
X,Y,Z  = np.mgrid[min:max:resolution,min:max:resolution,min:max:resolution] # sample way more

xyz = torch.from_numpy(np.vstack([X.ravel(), Y.ravel(),Z.ravel()]).transpose().astype(np.float32)).to(device)

eval = LabelData(xyz)

eval_loader = DataLoader(dataset=eval, batch_size= 22500, shuffle=False) # Make bigger batches

# feed the network bit by bit?
i = 0
for x_batch in eval_loader:
    phi.eval()
    labels =  phi(x_batch).to(device)
print(labels)

visualization_iso(X,Y,Z,labels)

我希望预测值是0或1，或者至少是一个概率，但是它给了我很多我不明白的数字。比如：19.5953 请看一下我的代码，如果你发现任何大错误请告诉我。我真的很困惑，因为在我扩展我使用的数据之前它工作得很好。你知道吗

敬礼

Answer 1

我可能错了，但我试着根据你的问题代码来回答。你知道吗

您使用的是BCEwithlogitsloss，这意味着模型应该输出logits。logits是使用sigmoid激活之前的输出。回想一下，sigmoid激活用于将输出转换为概率（基本上介于0和1之间）。Logits可以是任何实数。你知道吗

基于此，我认为应该通过sigmoid激活传递模型的输出，即F.sigmoid(phi(x_batch))。或者您也可以只检查模型的输出是大于0还是小于0。如果大于0，则标签应为1。你知道吗