交叉熵损失CrossEntropyLoss

不会声调的博er

于 2023-06-28 16:28:11 发布

阅读量655

点赞数

分类专栏： RGBD语义分割文章标签： pytorch 深度学习人工智能

本文链接：https://blog.youkuaiyun.com/wagnbo/article/details/131374551

版权

RGBD语义分割专栏收录该内容

16 篇文章

订阅专栏

文章通过示例解释了在PyTorch中如何使用CrossEntropyLoss函数处理语义分割问题的多分类输出。当reduction设为none时，损失函数返回每个像素点的损失；设为mean，则返回所有像素的平均损失。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

交叉熵损失CrossEntropyLoss

语义分割网络输出tensor的尺寸为【B,C,H,W】,进行多分类，label的尺寸为【B,H,W】。
举例：三分类：output【1, 3，3, 3】，label【1, 3, 3】

验证

import torch

output = torch.tensor([[[[1, 1, 0],
                         [2, 0, 1],
                         [2, 1, 0]],
                        [[2, 0, 2],
                         [0, 0, 1],
                         [1, 1, 2]],
                        [[1, 1, 0],
                         [0, 0, 1],
                         [2, 0, 2]]]
                       ]).float()
label = torch.tensor([[[1, 1, 0],
                       [1, 0, 0],
                       [2, 2, 2]]]).long()

CrossEntropyLoss = torch.nn.CrossEntropyLoss(reduction='none')
loss = CrossEntropyLoss(output, label)
print(loss)
# result:
# tensor([[[0.5514, 1.8620, 2.2395],
#          [2.2395, 1.0986, 1.0986],
#          [0.8620, 1.8620, 0.7586]]])

import torch

output = torch.tensor([[[[1, 1, 0],
                         [2, 0, 1],
                         [2, 1, 0]],
                        [[2, 0, 2],
                         [0, 0, 1],
                         [1, 1, 2]],
                        [[1, 1, 0],
                         [0, 0, 1],
                         [2, 0, 2]]]
                       ]).float()
label = torch.tensor([[[1, 1, 0],
                       [1, 0, 0],
                       [2, 2, 2]]]).long()

CrossEntropyLoss = torch.nn.CrossEntropyLoss(reduction='mean')
loss = CrossEntropyLoss(output, label)
print(loss)
# result:
# tensor(1.3969)