为什么训练拥抱变压器NER模型时评估损失会增加？

Question

根据文档训练huggingface transformers NER模型，评估损失在几个时期后增加，但其他分数（准确性，准确性，召回率，f1）却不断提高。该行为似乎是意外的，对此效果是否有简单的解释？这可以取决于给定的数据吗？

model = TokenClassificationModel.from_pretrained('roberta-base', num_labels=len(tag_values))


model.train()
model.zero_grad()

   for epoch in range(epochs):
      for batch in range(batches):
         -- train --
         ...

      train_loss = model.evaluate(train_data)
      validation_loss = model.evaluate(validation_data)

Answer 1

精度和损失不一定完全相关（成反比）。
损耗函数通常是精度函数的近似值-与精度不同，损耗函数必须是可微的。
可以找到很好的解释here。