损失函数是教机器学东西的尺子，数值越小说明模型越准。当它变负的时候，就像你算错账把100块当成了-50块，说明损失函数设计时可能自带了负号。比如用公式算的时候，如果写成负的误差差，预测对了就会变负数。

损失函数变负是因为公式里加了负号。比如有个分类任务，真实标签是1，模型预测概率是0.9，交叉熵损失公式是负的log(0.9)，算出来是0.105，这时候没变负。但如果公式写成负的（预测值-真实值），当预测值1.2比真实值1大0.2时，损失就是-0.2。就像用弹簧测力，拉长时弹簧会自己产生反向力，负数就是反向的误差。训练时模型会顺着这个负方向调整参数，相当于往正确方向推。比如用均方误差时，预测值1.5和真实值1的误差是0.25，平方后还是正数；但如果是用绝对误差减去0.5，当误差是0.3时，损失就会变成-0.2。这就好比你考试得90分，老师扣了10分又退回5分，算出-5分，说明扣分规则设计有问题。训练时要确保损失函数始终正向，否则优化方向会乱掉。