我想了解 sigmoid_cross_entropy
损失函数在图像分割神经网络方面的作用:
这是相关的 Tensorflow 源 code :
zeros = array_ops.zeros_like(logits, dtype=logits.dtype)
cond = (logits >= zeros)
relu_logits = array_ops.where(cond, logits, zeros)
neg_abs_logits = array_ops.where(cond, -logits, logits)
return math_ops.add(
relu_logits - logits * labels,
math_ops.log1p(math_ops.exp(neg_abs_logits)), name=name)
我的主要问题是为什么返回时有一个math_ops.add()
? add 是指图像中每个像素的损失总和,还是总和在做一些不同的事情?我无法正确地遵循尺寸变化来推断求和在做什么。
最佳答案
sigmoid_cross_entropy_with_logits
用于多标签分类。
对于独立的类预测(例如 1 既是偶数又是素数),整个问题可以分为二元交叉熵损失。最后收集所有预测损失并对其进行平均。
下面是一个例子:
import tensorflow as tf
logits = tf.constant([[0, 1],
[1, 1],
[2, -4]], dtype=tf.float32)
y_true = tf.constant([[1, 1],
[1, 0],
[1, 0]], dtype=tf.float32)
# tensorflow api
loss = tf.losses.sigmoid_cross_entropy(multi_class_labels=y_true,
logits=logits)
# manul computing
probs = tf.nn.sigmoid(logits)
loss_t = tf.reduce_mean(y_true * (-tf.log(probs)) +
(1 - y_true) * (-tf.log(1 - probs)))
config = tf.ConfigProto()
config.gpu_options.allow_growth = True # pylint: disable=no-member
with tf.Session(config=config) as sess:
loss_ = loss.eval()
loss_t_ = loss_t.eval()
print('sigmoid_cross_entropy: {: .3f}\nmanual computing: {: .3f}'.format(
loss_, loss_t_))
------------------------------------------------------------------------------
#output:
sigmoid_cross_entropy: 0.463
manual computing: 0.463
关于python - 来自 tensorflow 的用于图像分割的 sigmoid_cross_entropy 损失函数,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/52046971/