dice loss解析及caffe添加

使用深度学习做医学图像分割时，经常会用dice系数作为损失函数。

loss function之用Dice-coefficient loss function or cross-entropy

https://blog.csdn.net/u014264373/article/details/82950922

dice系数作为损失函数的网络模型如何加载（ValueError: Unknown loss function:dice_coef_loss）

https://blog.csdn.net/weixin_41783077/article/details/83789743

pytorch: DiceLoss MulticlassDiceLoss

https://blog.csdn.net/a362682954/article/details/81226427

使用U-Net分割方法进行癌症诊断（教程翻译）(用到了Dice)

https://blog.csdn.net/qq_30911665/article/details/74356112

caffe添加

文件在Github下载

将.cpp和.cu文件放到/caffe/src/caffe/layers/路径下，将.hpp文件放到/caffe/include/caffe/layers/路径下，然后重新编译caffe即可使用dice loss. 
使用形式：

layer {
  name: "loss"
  type: "DiceCoefLoss"
  bottom: "Deconv"
  bottom: "label"
  top: "loss"
}

解析： 
loss计算方式：Loss = (2x^Ty+e)/(x^Tx+y^Ty+e) 
这里x和y分别是bottom[0]和bottom[1], e是smooth term,默认为1. 
这边主要讲一下dice loss在caffe里的具体实现过程，做一个推导。

我们看dice.cpp第30行开始，这块是forward_cpu, 就是实现loss的过程。看到里面大量重复使用了例如 caffe_mul, caffe_cpu_gemv…等函数，这些都是caffe里面的矩阵操作函数，可以参考

https://blog.csdn.net/z13653662052/article/details/80516748。

  smooth = Dtype(1.);//smooth=1
  caffe_set(dim, Dtype(1), multiplier_.mutable_cpu_data());//设置multiplier_为常数1
  caffe_set(batchsize, smooth, result_tmp_.mutable_cpu_data());//设置result_tmp_为smooth
  caffe_set(batchsize, smooth, result_.mutable_cpu_data());//设置result_为smooth
  caffe_mul(bottom[0]->count(), bottom[0]->cpu_data(), bottom[0]->cpu_data(), 
                tmp_.mutable_cpu_data());

tmp_ = data[0] * data[0]

caffe_cpu_gemv(CblasNoTrans, bottom[0]->num(), bottom[0]->count(1), Dtype(1.), tmp_.cpu_data(), 
                    multiplier_.cpu_data(), Dtype(1.), result_tmp_.mutable_cpu_data());                   
result_tmp_ = 1 * tmp_ * multiplier_ + 1* result_tmp_ = tmp_ + 1 = data[0] * data[0] + 1

caffe_mul(bottom[1]->count(), bottom[1]->cpu_data(), bottom[1]->cpu_data(), 
                tmp_.mutable_cpu_data());

tmp_ = data[1] * data[1]

caffe_cpu_gemv(CblasNoTrans, bottom[1]->num(), bottom[1]->count(1), Dtype(1.), tmp_.cpu_data(), 
                    multiplier_.cpu_data(), Dtype(1.), result_tmp_.mutable_cpu_data());
result_tmp_ = 1 * tmp_ * multiplier_ + 1 * result_tmp_ = tmp_ + result_tmp_ =data[1] * data[1] + data[0] * data[0] + 1

caffe_mul(bottom[0]->count(), bottom[0]->cpu_data(), bottom[1]->cpu_data(), 
                tmp_.mutable_cpu_data());

tmp_ = data[0] * data[1]

caffe_cpu_gemv(CblasNoTrans, bottom[1]->num(), bottom[1]->count(1), Dtype(2.), tmp_.cpu_data(), 
                    multiplier_.cpu_data(), Dtype(1.), result_.mutable_cpu_data());

result_ = 2 * tmp_ * multiplier_ + 1 * result_ = 2 * data[0] * data[1] + 1

caffe_div(bottom[0]->num(), result_.cpu_data(), result_tmp_.cpu_data(), result_.mutable_cpu_data());

result_ = result_ / result_tmp_ = (2 * data[0] * data[1] + 1) / (data[1] * data[1] + data[0] * data[0] + 1) 
result_就是Dice值，那么dice损失就是1-result_

引用：https://blog.csdn.net/z13653662052/article/details/80538136