pain_gain0的博客

假设存在如下标签矩阵，包含4个类，0，1，2，3。label 的维度为3行 5列。>>> label = torch.randint(1,4,(3,5))>>> labeltensor([[2, 2, 1, 3, 1], [1, 2, 1, 1, 1], [1, 3, 3, 1, 3]])>>> （1）扩展label维度，因为label含有4个类的标签，因此扩展label的维度 至 3x 5 x 4，即三个

torch.nn.CrossEntropy() 主要由torch.nn.LogSoftmax 与torch.nn.NLLLoss 两个计算方式组成。（1）torch.nn.LogSoftmax 是由Softmax() 与对数计算得到。（2）torch.nn.NLLLoss 利用标签target，提取torch.nn.LogSoftmax输出结果中对应特征维度的数值，再取绝对值，然后再所有样本上计算均值得到torch.nn.CrossEntropy() 计算结果。假设输入数据input的维度.

参考文献：https://discuss.pytorch.org/t/multiclass-segmentation/54065

BUG：在测试的时候，传递prev_state_spatial，出现显存溢出问题。解决方案，将模型得到的中间变量保存至cpu，在使用的时候，将该数据转移到cuda上。参考文献：【1】https://blog.youkuaiyun.com/nlite827109223/article/details/89847044...

此文不涉及公式。假设模型对输入图像数据（1(batch size) * 1 (channels) * 3 (height) * 3 (width)）的分割输出结果为1 * 2 （只有两类，前景，背景）* 3 （height）* 3 (width)，ground truth为 target ( 1 (batch size) * 3 * 3)。假设模型的分割结果为input, ground truth 为target。根据文献[1]，计算交叉熵损失有两中方式，一种是用F.nll_loss()；.

dim = 0, 按照数值方向操作；dim = 1, 按照水平方向操作；a = torch.rand(2, 5)print(a)b = torch.zeros(3, 5).scatter_(0, torch.tensor([[0, 1, 2, 0, 0], [2, 0, 0, 1, 2]]), a)print(b) output = torch.Tensor.scatter_(...

环境：macOS, python=3.5.6 torch=1.3.0在pip install torch-geometric安装好torch-geometric之后，进入python编译器，运行from torch_geometric.data import data，报错：ModuleNotFoundError: No module named 'torch_scatter'...

yOut[34]: tensor([0, 2])y_hatOut[35]: tensor([[0.1000, 0.3000, 0.6000], [0.3000, 0.2000, 0.5000]])y_hat.gather(1, y.view(-1, 1))聚合方向y_hat的维度1，聚合位置：a[0][y.view(-1,1)[0]] = 0.1a[1][...