深度学习语义图像分割法综述(图像语义分割实践)
深度学习语义图像分割法综述(图像语义分割实践)图像语义分割实践(四)损失函数与实现 - 简书图像语义分割实践(四)损失函数与实现 - 知乎一维nllloss计算过程二维nllloss计算过程图像语义分割实践(四)损失函数与实现_智能之心的博客-CSDN博客
在确定检测任务和模型构建完成后,随之需要对训练的准则Criterion进行实现,可称之为损失函数或代价函数,简明而言,训练过程中真实值和计算值的误差。
分割常见的损失函数如下- cross entropy loss:交叉熵,通用于不同类样本量在一个量级的任务;
- focal loss:交叉熵的改进版本,增加两个权重,聚焦不平衡样本任务;
- dice loss:样本极不平衡可用,反向梯度值太大,训练不稳定;
- iou loss:较多见于目标检测任务的回归任务;
小拓展: md写公式需要单元:,;
方法一,直接调用函数seg_loss = torch.nn.CrossEntropyLoss()
方法二,根据公式实现
class SimpleCrossEntropyLoss(nn.Module):
# H(p p)=p*log(q)
def __init__(self):
super().__init__()
self.logsoftmax_func = nn.LogSoftmax(dim=1)
# torch.log(torch.nn.Softmax(dims=1)(inputs))
self.nllloss_func = nn.NLLLoss()
pass
def forward(self inputs target):
x = self.logsoftmax_func(inputs)
loss = self.nllloss_func(x target)
return loss
pass
seg_loss = SimpleCrossEntropyLoss()
pytorch实现流程
nn.NLLLoss()实现举例令 ,一维二维计算示例如下。
一维nllloss计算过程
二维nllloss计算过程
图像语义分割实践(四)损失函数与实现_智能之心的博客-CSDN博客
图像语义分割实践(四)损失函数与实现 - 知乎
图像语义分割实践(四)损失函数与实现 - 简书