使用torch.nn.CrossEntropyLoss()，损失函数有变化，但是训练准确率和验证准确率一直没变化，到底要不要在模型中加入sigmoid函数

训练损失函数和验证损失函数都有一定程度的下降，但是，训练准确率和验证准确率一直不变

我觉得这种情况下，应该不是数据集的问题，需要看代码中计算正确标签和全部标签数量的语句，也就是以下两个语句：

total += target.size(0)  # 总的标签数量
correct += (outputs1 == target).sum().item()  #正确的标签数量

我的情况：将交叉熵损失函数： torch.nn.CrossEntropyLoss()

换成了二分类交叉熵损失函数：torch.nn.CrossEntropyLoss()，注意！此时，由于两个交叉熵损失函数所要求的张量维度不同，所以需要手动改变相关张量维度

官网上说torch.nn.CrossEntropyLoss()自带了sigmoid函数，所以我在模型中没有添加sigmoid层，但是在调试的时候发现模型的输出值很小，有些甚至有负值，但是，sigmoid函数的值在0~1之间。

原因：先进入模型，得到模型的预测值后，再将模型的预测值与真实值输入到损失函数中，在这个过程中，模型本身是没有sigmoid函数的，得到的预测值也是没有经过sigmoid函数调整的值，所以会有负值出现

outputs = model(inputs)

loss = criterion(outputs, target)

于是，在全连接层后面添加sigmoid函数，这样，模型的输出就是一个0~1之间的数，然后对输出值进行判断，小于0.5判为0，否则为1

outputs1 = torch.tensor([[1] if num[0] >= 0.5 else [0] for num in outputs]).to(device)

total += target.size(0) # batch_size

correct += (outputs1 == target).sum().item()

这样，就可以得到正确的准确率了