技术标签: pytorch loss 深度学习
网上找到的loss写的都普遍复杂,我自己稍微写的逻辑简单一点。
注:这里没有考虑不参与计算loss的情况。
if inputs.is_cuda and not self.alpha.is_cuda:
self.alpha = self.alpha.cuda()
focal loss仔细实践起来可以分为两种情况,一种是二分类(sigmoid激活)的时候,还有一种情况就是多分类(softmax激活)的时候。
class FocalLoss(nn.Module):
""" -[alpha*y*(1-p)^gamma*log(p)+(1-alpha)(1-y)*p^gamma*log(1-p)] loss"""
def __init__(self, gamma, alpha=None , onehot=False):
super(FocalLoss, self).__init__()
self.alpha = alpha
self.gamma = gamma
self.onehot = onehot
def forward(self, inputs, targets):
"""
:param input: onehot
:param target: 默认是onehot以后
:return:
"""
N = inputs.size(0)
C = inputs.size(1)
inputs = torch.clamp(inputs, min=0.001, max=1.0) ##将一个张量中的数值限制在一个范围内,如限制在[0.1,1.0]范围内,可以避免一些运算错误,如预测结果q中元素可能为0
if inputs.is_cuda and not self.alpha.is_cuda:
self.alpha = self.alpha.cuda()
if not self.onehot:
class_mask = inputs.data.new(N, C).fill_(0)
class_mask = Variable(class_mask)
ids = targets.view(-1, 1)
class_mask.scatter_(1, ids.data, 1.)
targets = class_mask
pos_sample_loss_matrix = -targets * (torch.pow((1 - inputs), self.gamma)) * inputs.log() ## 正样本的loss
# mean_pos_sample_loss = pos_sample_loss_matrix.sum() / targets.sum()
neg_sample_loss_matrix = -(targets == 0).float() * (torch.pow((inputs), self.gamma)) * (1 - inputs).log() ## 负样本的loss
# mean_neg_sample_loss = pos_sample_loss_matrix.sum() / targets.sum()
if self.alpha:
return (self.alpha * pos_sample_loss_matrix + (1 - self.alpha) * neg_sample_loss_matrix).sum() / (N * C)
else:
return (pos_sample_loss_matrix + neg_sample_loss_matrix).sum() / (N * C)
class FocalLoss(nn.Module):
""" -[y*(1-p)^gamma*log(p) loss
softmax激活输入的foacl loss。
"""
def __init__(self, gamma, onehot=False):
super(FocalLoss, self).__init__()
self.gamma = gamma
self.onehot = onehot
def forward(self, inputs, targets):
"""
:param input: onehot
:param target: 默认是onehot以后
:return:
"""
inputs = torch.clamp(inputs, min=0.001, max=1.0) ##将一个张量中的数值限制在一个范围内,如限制在[0.1,1.0]范围内,可以避免一些运算错误,如预测结果q中元素可能为0
if not self.onehot:
N = inputs.size(0)
C = inputs.size(1)
class_mask = inputs.data.new(N, C).fill_(0)
class_mask = Variable(class_mask)
ids = targets.view(-1, 1)
class_mask.scatter_(1, ids.data, 1.)
targets = class_mask
pos_sample_loss_matrix = -targets * (torch.pow((1 - inputs), self.gamma)) * inputs.log() ## 正样本的loss
# mean_pos_sample_loss = pos_sample_loss_matrix.sum() / targets.sum()
## 默认输出均值
## 这里不能直接求mean,
# 因为整个矩阵还是原来的输入大小的,
# 求loss应该是除以label中有目标的总数。
return pos_sample_loss_matrix / targets.sum()
import torch
import torch.nn as nn
from torch.autograd import Variable
class NegtiveLogLoss(nn.Module):
""" -log(p) loss"""
def __init__(self, onehot=False):
super(NegtiveLogLoss, self).__init__()
self.onehot = onehot
def forward(self, inputs, targets):
"""
:param input: onehot
:param target: 默认是onehot以后
:return:
"""
inputs = torch.clamp(inputs, min=0.001, max=1.0) ## 将一个张量中的数值限制在一个范围内,如限制在[0.1,1.0]范围内,可以避免一些运算错误,如预测结果q中元素可能为0
if not self.onehot:
N = inputs.size(0)
C = inputs.size(1)
class_mask = inputs.data.new(N, C).fill_(0)
class_mask = Variable(class_mask)
ids = targets.view(-1, 1)
class_mask.scatter_(1, ids.data, 1.)
targets = class_mask
loss_matrix = -targets * inputs.log() ## 对预测的矩阵里面的每个元素做log,
## 然后乘以one hot的label,也就是说获得1位置的值了。
## 这时候还是个矩阵,还没有计算均值
## 默认输出均值
return loss_matrix.sum() / targets.sum() ## 这里不能直接求mean,
# 因为整个矩阵还是原来的输入大小的,
# 求loss应该是除以label中有目标的总数。
class BinaryCrossEntropy(nn.Module):
""" -(ylog(p)+(1-y)log(1-p) loss"""
def __init__(self, alpha=None, onehot=False):
super(BinaryCrossEntropy, self).__init__()
self.alpha = alpha
self.onehot = onehot
def forward(self, inputs, targets):
"""
:param input: onehot
:param target: 默认是onehot以后
:return:
"""
N = inputs.size(0)
C = inputs.size(1)
inputs = torch.clamp(inputs, min=0.001, max=1.0) ##将一个张量中的数值限制在一个范围内,如限制在[0.1,1.0]范围内,可以避免一些运算错误,如预测结果q中元素可能为0
if not self.onehot:
class_mask = inputs.data.new(N, C).fill_(0)
class_mask = Variable(class_mask)
ids = targets.view(-1, 1)
class_mask.scatter_(1, ids.data, 1.)
targets = class_mask
pos_sample_loss_matrix = -targets * inputs.log() ## 正样本的loss
# mean_pos_sample_loss = pos_sample_loss_matrix.sum() / targets.sum()
neg_sample_loss_matrix = -(targets == 0).float() * (1 - inputs).log() ## 负样本的loss
# mean_neg_sample_loss = pos_sample_loss_matrix.sum() / targets.sum()
if self.alpha:
return (self.alpha*pos_sample_loss_matrix + (1-self.alpha)*neg_sample_loss_matrix).sum() / (N * C)
else:
return (pos_sample_loss_matrix + neg_sample_loss_matrix).sum() / (N * C)
文章浏览阅读2w次,点赞7次,收藏51次。四个步骤1.创建C++ Win32项目动态库dll 2.在Win32项目动态库中添加 外部依赖项 lib头文件和lib库3.导出C接口4.c#调用c++动态库开始你的表演...①创建一个空白的解决方案,在解决方案中添加 Visual C++ , Win32 项目空白解决方案的创建:添加Visual C++ , Win32 项目这......_c#调用lib
文章浏览阅读4.6k次。苹方字体是苹果系统上的黑体,挺好看的。注重颜值的网站都会使用,例如知乎:font-family: -apple-system, BlinkMacSystemFont, Helvetica Neue, PingFang SC, Microsoft YaHei, Source Han Sans SC, Noto Sans CJK SC, W..._ubuntu pingfang
文章浏览阅读159次。表单表单概述表单标签表单域按钮控件demo表单标签表单标签基本语法结构<form action="处理数据程序的url地址“ method=”get|post“ name="表单名称”></form><!--action,当提交表单时,向何处发送表单中的数据,地址可以是相对地址也可以是绝对地址--><!--method将表单中的数据传送给服务器处理,get方式直接显示在url地址中,数据可以被缓存,且长度有限制;而post方式数据隐藏传输,_html表单的处理程序有那些
文章浏览阅读1.2k次。使用说明:开启Google的登陆二步验证(即Google Authenticator服务)后用户登陆时需要输入额外由手机客户端生成的一次性密码。实现Google Authenticator功能需要服务器端和客户端的支持。服务器端负责密钥的生成、验证一次性密码是否正确。客户端记录密钥后生成一次性密码。下载谷歌验证类库文件放到项目合适位置(我这边放在项目Vender下面)https://github.com/PHPGangsta/GoogleAuthenticatorPHP代码示例://引入谷_php otp 验证器
文章浏览阅读4.3k次,点赞5次,收藏11次。matplotlib.plot画图横坐标混乱及间隔处理_matplotlib更改横轴间距
文章浏览阅读2.2k次。①Storage driver 处理各镜像层及容器层的处理细节,实现了多层数据的堆叠,为用户 提供了多层数据合并后的统一视图②所有 Storage driver 都使用可堆叠图像层和写时复制(CoW)策略③docker info 命令可查看当系统上的 storage driver主要用于测试目的,不建议用于生成环境。_docker 保存容器
文章浏览阅读834次,点赞27次,收藏13次。网络拓扑结构是指计算机网络中各组件(如计算机、服务器、打印机、路由器、交换机等设备)及其连接线路在物理布局或逻辑构型上的排列形式。这种布局不仅描述了设备间的实际物理连接方式,也决定了数据在网络中流动的路径和方式。不同的网络拓扑结构影响着网络的性能、可靠性、可扩展性及管理维护的难易程度。_网络拓扑csdn
文章浏览阅读1.8k次,点赞5次,收藏8次。IOS系统Date的坑要创建一个指定时间的new Date对象时,通常的做法是:new Date("2020-09-21 11:11:00")这行代码在 PC 端和安卓端都是正常的,而在 iOS 端则会提示 Invalid Date 无效日期。在IOS年月日中间的横岗许换成斜杠,也就是new Date("2020/09/21 11:11:00")通常为了兼容IOS的这个坑,需要做一些额外的特殊处理,笔者在开发的时候经常会忘了兼容IOS系统。所以就想试着重写Date函数,一劳永逸,避免每次ne_date.prototype 将所有 ios
文章浏览阅读5.3k次。方法一:用PLSQL Developer工具。 1 在PLSQL Developer的sql window里输入select * from test for update; 2 按F8执行 3 打开锁, 再按一下加号. 鼠标点到第一列的列头,使全列成选中状态,然后粘贴,最后commit提交即可。(前提..._excel导入pl/sql
文章浏览阅读83次。Git常用命令速查手册1、初始化仓库git init2、将文件添加到仓库git add 文件名 # 将工作区的某个文件添加到暂存区 git add -u # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,不处理untracked的文件git add -A # 添加所有被tracked文件中被修改或删除的文件信息到暂存区,包括untracked的文件...
文章浏览阅读202次。分享119个ASP.NET源码总有一个是你想要的_千博二手车源码v2023 build 1120
文章浏览阅读1.8k次。版权声明:转载请注明出处 http://blog.csdn.net/irean_lau。目录(?)[+]1、缺省构造函数。2、缺省拷贝构造函数。3、 缺省析构函数。4、缺省赋值运算符。5、缺省取址运算符。6、 缺省取址运算符 const。[cpp] view plain copy_空类默认产生哪些类成员函数