深度学习（15）——label 问题犯大忌
最近在训练训练模型的时候出现了一个问题，前期训练的过程中loss下降，但是后来loss出现上升并且波折的状况，而且自认为检查过数据觉得是没有问题的，但是就是觉得哪里不对劲。今天重新检查了一下label，made，发现一个大问题，自己写label的时候触了大忌，把正样本赋值为0，负样本赋值是1，但是在后面做sigmod后判断的条件是gt（0.5），这显然即使预测是正样本的数据，最终被赋值为1的label。就是如果模型预测的概率值正常处理后和真实的label相同，但是由于使用gt（）会让预测的结果和label完全相反。这这这！被自己蠢到了。啊啊啊~
当然如果最后全连接层使用两个神经元，使用softmax那么无妨，因为softmax是根据最后的最大值所对应的交表进行判断的，但是使用一个神经元判断是否，那一定要注意正负样本的问题和最后预测得到的概率值在sigmod后的判断条件。如果使用正样本赋值为0，负样本赋值为1，则判断的时候应该是sigmod后的值小于0.5为1！
full_imgs_path= glob.glob(fr'/home/yangjy/data/full/{
grade}/train/*/*.jpg')
species = ['no','yes']
def get_all_labels(species,img_path):
species_to_id = dict((c, i) for i, c in enumerate(species))
all_labels = []
for img in img_path:
for i, c in enumerate(species):
if c in img:
all_labels.append(i)
return all_labels,species_to_id
pred = model_con(full_images.to(device), part_images.to(device))
pred_classes = torch.sigmoid(pred).gt(0.5).int()
accu_num += torch.eq(pred_classes.squeeze(1), labels.to(device)).sum()
所以大家一定注意！别再像我这样犯大忌！我准备晚一点整一下softmax，和这个不太一样，softmax不会有影响。