python - 如何在自定义 Keras 损失中将 softmax 输出转换为 one-hot 格式

Question

在二维语义分割任务中。我想计算自定义 Keras 损失函数中每个类别的平均骰子系数。

所以我认为第一步是计算每个类别的dice系数，然后平均系数以获得avg_dice。

现在我的损失函数看起来像

def avg_dice_coef(y_true, y_pred, n_classes, smooth=1e-5):
    # y_pred_new = K.variable(np_utils.to_categorical(K.argmax(y_pred), num_classes=OPTIONS.nb_classes))

    avg_dice = 0.  # 用于求和每个类别的骰子系数，之后求平均
    for class_index in range(n_classes):  # 对每个类别进行循环
        intersection = K.sum(y_true[:, :, :, class_index] * y_pred_new[:, :, :, class_index], axis=[1, 2])
        union = K.sum(y_true[:, :, :, class_index], axis=[1, 2]) + K.sum(y_pred_new[:, :, :, class_index], axis=[1, 2])
        dice_one_class = K.mean((2. * intersection + smooth) / (union + smooth), axis=0)
        avg_dice += dice_one_class
    return avg_dice / n_classes  # 之后求平均

在此函数中，y_pred是经过softmax后网络的输出，labels_shape=(batch_size, 1024, 512, n_classes)，predicts_shape=(batch_size, 1024, 512, n_classes)

我认为我的损失是错误的，因为我使用了 float y_pred。根据方程

我认为我应该使用整数 0 或 1 y_pred 值而不是 float 。所以我需要1)使用K.argmax()来获取每个像素的最大值的索引，2)将K.argmax()的结果转换为one-hot格式。(一个简单的例子:convert [0.1, 0.1 , 0.8] 到 [0, 0, 1])

但是当我添加

y_pred_new = K.variable(np_utils.to_categorical(K.argmax(y_pred), num_classes=OPTIONS.nb_classes))

为了实现这个目标，我遇到了一个错误:

ValueError:使用序列设置数组元素。

我如何弥补我的损失以及我的平均想法是否正确？

Answer 1

在我看来，函数np_utils.to_categorical()需求array但它得到了 sequence喜欢 tensor 。

我也遇到了这个问题，然后我改了np_utils.to_categorical()进入tf.one_hot ， 有用。

希望这有帮助:D