我就废话不多说了,直接上代码吧!
import torch import torch.nn.functional as F import numpy as np from torch.autograd import Variable ''' pytorch实现focal loss的两种方式(现在讨论的是基于分割任务) 在计算损失函数的过程中考虑到类别不平衡的问题,假设加上背景类别共有6个类别 ''' def compute_class_weights(histogram): classWeights = np.ones(6, dtype=np.float32) normHist = histogram / np.sum(histogram) for i in range(6): classWeights[i] = 1 / (np.log(1.10 + normHist[i])) return classWeights def focal_loss_my(input,target): ''' :param input: shape [batch_size,num_classes,H,W] 仅仅经过卷积操作后的输出,并没有经过任何激活函数的作用 :param target: shape [batch_size,H,W] :return: ''' n, c, h, w = input.size() target = target.long() input = input.transpose(1, 2).transpose(2, 3).contiguous().view(-1, c) target = target.contiguous().view(-1) number_0 = torch.sum(target == 0).item() number_1 = torch.sum(target == 1).item() number_2 = torch.sum(target == 2).item() number_3 = torch.sum(target == 3).item() number_4 = torch.sum(target == 4).item() number_5 = torch.sum(target == 5).item() frequency = torch.tensor((number_0, number_1, number_2, number_3, number_4, number_5), dtype=torch.float32) frequency = frequency.numpy() classWeights = compute_class_weights(frequency) ''' 根据当前给出的ground truth label计算出每个类别所占据的权重 ''' # weights=torch.from_numpy(classWeights).float().cuda() weights = torch.from_numpy(classWeights).float() focal_frequency = F.nll_loss(F.softmax(input, dim=1), target, reduction='none') ''' 上面一篇博文讲过 F.nll_loss(torch.log(F.softmax(inputs, dim=1),target)的函数功能与F.cross_entropy相同 可见F.nll_loss中实现了对于target的one-hot encoding编码功能,将其编码成与input shape相同的tensor 然后与前面那一项(即F.nll_loss输入的第一项)进行 element-wise production 相当于取出了 log(p_gt)即当前样本点被分类为正确类别的概率 现在去掉取log的操作,相当于 focal_frequency shape [num_samples] 即取出ground truth类别的概率数值,并取了负号 ''' focal_frequency += 1.0#shape [num_samples] 1-P(gt_classes) focal_frequency = torch.pow(focal_frequency, 2) # torch.Size([75]) focal_frequency = focal_frequency.repeat(c, 1) ''' 进行repeat操作后,focal_frequency shape [num_classes,num_samples] ''' focal_frequency = focal_frequency.transpose(1, 0) loss = F.nll_loss(focal_frequency * (torch.log(F.softmax(input, dim=1))), target, weight=None, reduction='elementwise_mean') return loss def focal_loss_zhihu(input, target): ''' :param input: 使用知乎上面大神给出的方案 https://zhuanlan.zhihu.com/p/28527749 :param target: :return: ''' n, c, h, w = input.size() target = target.long() inputs = input.transpose(1, 2).transpose(2, 3).contiguous().view(-1, c) target = target.contiguous().view(-1) N = inputs.size(0) C = inputs.size(1) number_0 = torch.sum(target == 0).item() number_1 = torch.sum(target == 1).item() number_2 = torch.sum(target == 2).item() number_3 = torch.sum(target == 3).item() number_4 = torch.sum(target == 4).item() number_5 = torch.sum(target == 5).item() frequency = torch.tensor((number_0, number_1, number_2, number_3, number_4, number_5), dtype=torch.float32) frequency = frequency.numpy() classWeights = compute_class_weights(frequency) weights = torch.from_numpy(classWeights).float() weights=weights[target.view(-1)]#这行代码非常重要 gamma = 2 P = F.softmax(inputs, dim=1)#shape [num_samples,num_classes] class_mask = inputs.data.new(N, C).fill_(0) class_mask = Variable(class_mask) ids = target.view(-1, 1) class_mask.scatter_(1, ids.data, 1.)#shape [num_samples,num_classes] one-hot encoding probs = (P * class_mask).sum(1).view(-1, 1)#shape [num_samples,] log_p = probs.log() print('in calculating batch_loss',weights.shape,probs.shape,log_p.shape) # batch_loss = -weights * (torch.pow((1 - probs), gamma)) * log_p batch_loss = -(torch.pow((1 - probs), gamma)) * log_p print(batch_loss.shape) loss = batch_loss.mean() return loss if __name__=='__main__': pred=torch.rand((2,6,5,5)) y=torch.from_numpy(np.random.randint(0,6,(2,5,5))) loss1=focal_loss_my(pred,y) loss2=focal_loss_zhihu(pred,y) print('loss1',loss1) print('loss2', loss2) ''' in calculating batch_loss torch.Size([50]) torch.Size([50, 1]) torch.Size([50, 1]) torch.Size([50, 1]) loss1 tensor(1.3166) loss2 tensor(1.3166) '''
以上这篇pytorch实现focal loss的两种方式小结就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持小牛知识库。
本文向大家介绍dpn网络的pytorch实现方式,包括了dpn网络的pytorch实现方式的使用技巧和注意事项,需要的朋友参考一下 我就废话不多说了,直接上代码吧! 以上这篇dpn网络的pytorch实现方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持呐喊教程。
本文向大家介绍Java中匿名类的两种实现方式,包括了Java中匿名类的两种实现方式的使用技巧和注意事项,需要的朋友参考一下 使用匿名内部类课使代码更加简洁、紧凑,模块化程度更高。内部类能够访问外部内的一切成员变量和方法,包括私有的,而实现接口或继承类做不到。然而这个不是我说的重点,我说的很简单,就是匿名内部类的两种实现方式:第一种,继承一个类,重写其方法;第二种,实现一个接口(可以是多个),实现其
本文向大家介绍Android实现圆形图片的两种方式,包括了Android实现圆形图片的两种方式的使用技巧和注意事项,需要的朋友参考一下 在项目中,我们经常会用到圆形图片,但是android本身又没有提供,那我只能我们自己来完成。 第一种方式,自定义CircleImageView: 使用的时候,切记不要引用成V4报下的CircleImageView!! 另一篇文章分享的第二种方式:把图片修剪为圆形,
本文向大家介绍Java两种方式实现动态代理,包括了Java两种方式实现动态代理的使用技巧和注意事项,需要的朋友参考一下 一、JDK动态代理 Java 在 java.lang.reflect 包中有自己的代理支持,该类(Proxy.java)用于动态生成代理类,只需传入目标接口、目标接口的类加载器以及 InvocationHandler 便可为目标接口生成代理类及代理对象。我们称这个Java技术为:
本文向大家介绍pytorch实现线性拟合方式,包括了pytorch实现线性拟合方式的使用技巧和注意事项,需要的朋友参考一下 一维线性拟合 数据为y=4x+5加上噪音 结果: 多维: 以上这篇pytorch实现线性拟合方式就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持呐喊教程。
本文向大家介绍浅谈Java的两种多线程实现方式,包括了浅谈Java的两种多线程实现方式的使用技巧和注意事项,需要的朋友参考一下 本文介绍了浅谈Java的两种多线程实现方式,分享给大家。具有如下: 一、创建多线程的两种方式 Java中,有两种方式可以创建多线程: 1 通过继承Thread类,重写Thread的run()方法,将线程运行的逻辑放在其中 2 通过实现Runnable接口,实例化Threa