最近在尝试用CrossEntropyLoss(),实现猫狗图像分类的功能。遇到了一个奇怪的问题：loss一直停留在0.69附近，我查了查loss函数的公式,公式如下：

网络预测给出的二类概率向量为[0.5,0.5],也就是a和1-a都是0.5，不管y取值0/1，整个的平均loss就是-ln(0.5)=0.69，这样网络根本没有学习到东西。

我用的模型是resnet18，后来尝试使用预训练模型发现loss可以收敛，但是不用预训练模型就拉跨了。

在网上查找了很多解决方案，放在我的模型里都没有起作用。直到我发现了这篇文章：

神经网络训练常见坑 - 知乎 (zhihu.com)

13. 你是否应用了过量的数据增强?

数据增强有正则化效果。过量的数据增强，加上其它形式的正则化（权重 L2，dropout操作，等等）可能会导致网络欠拟合。

突然想到我是不是用的数据增强不对，或者对于我的模型来说不适用。于是我把增强的代码注释了

transform = transforms.Compose([

   transforms.Resize((128, 128)),

   # transforms.RandomVerticalFlip(),

   # transforms.RandomCrop(50),

   # transforms.ColorJitter(brightness=0.5, contrast=0.5, hue=0.5),

   transforms.ToTensor(),

   transforms.Normalize([0.5, 0.5, 0.5], [0.5, 0.5, 0.5])

])

然后就可以收敛了：

看来图像增强不能乱用，用的不好还能起负作用。