语义分割 Loss 为负如何破

$$Loss=-\frac{1}{n}\sum [y_i\ast ln(p_i))+(1-y_i)\ast ln(1-p_i)]$$
其中 $y_i$ 是标签值, $p_i$ 是预测值

因为二分类最后输出用的是 sigmoid 激活函数, 所以 $p_i$ 范围是 0~1, 所以 $ln(p_i)\le 0$, $ln(1-p_i)\le 0$, 可以推出 $y_i\ast ln(p_i)\le 0$

接下来还剩 $(1-y_i)\ast ln(1-p_i)$ 是正还是负呢? 如果 $p_i$预测为 1, 用 0.99 这样的会比较能说明问题一点, 当 $p_i=0.99$ 时有
$$C=y_i\ast ln(0.99)+(1-y_i)\ast ln(1-0.99)=y_i\ast ln(0.99)+(1-y_i)\ast ln(0.01)$$
$$ln(0.99)\approx -0.01$$
$$ln(0.01)\approx -4.61$$
现在上面的式子变成:
$$C=-0.01\ast y_i-4.61\ast (1-y_i)$$
现在要使 C 为正才能使 Loss 小于 0. 现在看出来问题在哪里了吗?

正常情况下, $y_i=0$ 或 $y_i=1$. 但当 $y_i$ 大于 1 时, 问题就来了, 那什么情况下 $y_i$ 会大于 1 呢? 标签图像处理错误时. 所以查看你的代码, 标签处理后的值是不是大于1, 特别是索引图像的处理

如何正确生成标签和读入, 可以看下面文章
语义分割之 标签生成
语义分割之 加载训练数据