Atomwh的专栏

前言Keras本身提供了很多常用的loss函数（即目标函数），但这些损失函数都是比较基本的、通用的。有时候我们需要根据自己所做的任务来自定义损失函数，虽然Keras是一个很高级的封装，自定义loss还是比较简单的。这里记录一下自定义loss的方法，一为助记、二为助人。官方定义的损失函数第一种方式：自定义一个函数自定义loss函数之前，我们可以看看Keras官方是如何定义loss

前言最近在研究Focal Loss的Keras实现过程中，由于要实现类似交叉熵的函数，需要将label图像中class=1和class=0的位置拿出来，以寻找在该位置对应的CNN预测值。经过百度查找，发现有人使用tf.where来实现这个功能，但看官方文档看来好久（下午+晚上）才看明白这个函数是如何使用的，特在此记录下。 之后会专门写一篇有关Focal Loss的Keras实现的博客

前言Keras源码中附有一个examples的文件夹，里面包含一些使用Keras进行编写的常用的神经网络模型，如CNN、LSTM、ResNet等。这些例子基本上是Keras学习入门必看的，作为Keras的学习者，就在这里记录一下examples中的代码解析，一为自身记忆，二为帮助他人。源码这里解析的源码是变分自动编码器（variational autoencoder，VAE），其是

前言在看图像语义分割方面的论文时，发现在网络解码器结构中有的时候使用反卷积、而有的时候使用unpooling或或者unsampling，查了下资料，发现三者还是有不同的。这里记录一下。图示理解使用三张图进行说明： 图（a）表示UnPooling的过程，特点是在Maxpooling的时候保留最大值的位置信息，之后在unPooling阶段使用该信息扩充Feature Map，除最大值