本人入门cv快一年了,也参加过很多比赛,获得过名次(后面会慢慢公布比赛方案)但笔者发现:现在的水平仅仅只算是一个调参侠,对于框架内部的数理知识,仅有大概的了解,现阶段准备一遍夯实基础,一遍积累实战比赛经验。
该文章主要从几个方面讲解分类任务中最常见的损失函数:交叉熵损失。
nn.CrossEntropyLoss()
概念:
交叉熵:它主要刻画的是实际输出(概率)与期望输出(概率)的距离,也就是交叉熵的值越小,两个概率分布就越接近。假设概率分布p为期望输出,概率分布q为实际输出, H ( p , q ) H(p,q) H(p,q)为交叉熵,则
H ( p , q ) = − ∑ ( p ( x ) l o g q ( x ) + ( 1 − p ( x ) ) l o g ( 1 − q ( x ) ) H(p,q)=-\sum(p(x)log q(x)+(1-p(x))log(1-q(x)) H(p,q)=−∑(p(x)logq(x)+(1−p(x))log(1−q(x))
该损失函数结合了nn.LogSoftmax()和nn.NLLLoss()两个函数。
首先笔者使用torch中自带的CE loss函数,在torch中的CE_loss 自带实现了带类别权重(class weight),label smooth 功能。
import torch
CE_loss = torch.nn.CrossEntropyLoss()
下面讲解CE_loss 超参数设置,和输入标签 预测的数据类型要求
weight:输入1D的Tensor,代表每一个类的权重,计算损失时会分配给每个类别。
ignore_index :用于忽略某个具体的类别
reduction : ‘none’ | ‘mean’ | ‘sum’ 三种选项代表对于每个batch的loss进行的操作
对于pred — > 需要 torch.float32
对于tar— > 需要 torch.int64
预测维度 | 标签 | |
---|---|---|
分类 | C | C |
分割 | CxHxW | HxW |
注:C是类别数
requires_grad == True
label中只能用C类不同的数字
在语义分割任务中对于标签和输入图片的处理通常采用不同的Transform(记住不要对label采用多余的变换)
该文章主要从几个方面讲解分割任务中最常见的损失函数:BCE损失。
多标签的二分类( multi-label binary classification)c>1
单标签的二分类( single-label binary classification)c=1
相同点:
每一种标签分类情况都是互斥的------->该物体是游轮 或不是游轮 (如上图所示)
不同点:
多标签的二分类------->一个物体细分很多种标签:是或不是游轮 / 是或不是白色 / …
单标签的二分类------->只有上述分类的一种情况 -->是或不是游轮
import torch
BCE_loss = torch.nn.BCEWithLogitsLoss()
超参数说明:
weight (Tensor, optional) – a manual rescaling weight given to the loss of each batch element. If given, has to be a Tensor of size nbatch.
pos_weight (Tensor, optional) – a weight of positive examples. Must be a vector with length equal to the number of classes.
AP值就是PR曲线下的与坐标轴包围的面积。其中P是Precision精确率,R是Recall召回率。
首先按照置信度排序,根据准确率和召回率,就能绘制出PR曲线(横坐标是召回率,纵坐标是精准率):
参考链接:
我们对Markdown编辑器进行了一些功能拓展与语法支持,除了标准的Markdown编辑器功能,我们增加了如下几点新功能,帮助你用它写博客:
撤销:Ctrl/Command + Z
重做:Ctrl/Command + Y
加粗:Ctrl/Command + B
斜体:Ctrl/Command + I
标题:Ctrl/Command + Shift + H
无序列表:Ctrl/Command + Shift + U
有序列表:Ctrl/Command + Shift + O
检查列表:Ctrl/Command + Shift + C
插入代码:Ctrl/Command + Shift + K
插入链接:Ctrl/Command + Shift + L
插入图片:Ctrl/Command + Shift + G
查找:Ctrl/Command + F
替换:Ctrl/Command + G
直接输入1次#,并按下space后,将生成1级标题。
输入2次#,并按下space后,将生成2级标题。
以此类推,我们支持6级标题。有助于使用TOC
语法后生成一个完美的目录。
强调文本 强调文本
加粗文本 加粗文本
标记文本
删除文本
引用文本
H2O is是液体。
210 运算结果是 1024.
链接: link.
图片:
带尺寸的图片:
居中的图片:
居中并且带尺寸的图片:
当然,我们为了让用户更加便捷,我们增加了图片拖拽功能。
去博客设置页面,选择一款你喜欢的代码片高亮样式,下面展示同样高亮的 代码片
.
// An highlighted block
var foo = 'bar';
一个简单的表格是这么创建的:
项目 | Value |
---|---|
电脑 | $1600 |
手机 | $12 |
导管 | $1 |
使用:---------:
居中
使用:----------
居左
使用----------:
居右
第一列 | 第二列 | 第三列 |
---|---|---|
第一列文本居中 | 第二列文本居右 | 第三列文本居左 |
SmartyPants将ASCII标点字符转换为“智能”印刷标点HTML实体。例如:
TYPE | ASCII | HTML |
---|---|---|
Single backticks | 'Isn't this fun?' |
‘Isn’t this fun?’ |
Quotes | "Isn't this fun?" |
“Isn’t this fun?” |
Dashes | -- is en-dash, --- is em-dash |
– is en-dash, — is em-dash |
一个具有注脚的文本。2
Markdown将文本转换为 HTML。
您可以使用渲染LaTeX数学表达式 KaTeX:
Gamma公式展示 Γ ( n ) = ( n − 1 ) ! ∀ n ∈ N \Gamma(n) = (n-1)!\quad\forall n\in\mathbb N Γ(n)=(n−1)!∀n∈N 是通过欧拉积分
Γ ( z ) = ∫ 0 ∞ t z − 1 e − t d t . \Gamma(z) = \int_0^\infty t^{z-1}e^{-t}dt\,. Γ(z)=∫0∞tz−1e−tdt.
你可以找到更多关于的信息 LaTeX 数学表达式here.
可以使用UML图表进行渲染。 Mermaid. 例如下面产生的一个序列图:
这将产生一个流程图。:
我们依旧会支持flowchart的流程图:
如果你想尝试使用此编辑器, 你可以在此篇文章任意编辑。当你完成了一篇文章的写作, 在上方工具栏找到 文章导出 ,生成一个.md文件或者.html文件进行本地保存。
如果你想加载一篇你写过的.md文件,在上方工具栏可以选择导入功能进行对应扩展名的文件导入,
继续你的创作。
mermaid语法说明 ↩︎
注脚的解释 ↩︎