2

我正在 keras 中进行语义分割，并尝试修改 categorical_crossentropy 损失，以便损失是类加权的。

这是我的代码：

def class_weighted_categorical_crossentropy(output, target, from_logits=False):
"""Categorical crossentropy between an output tensor and a target tensor.

parameter = TrainingParameters()
   # create ones array with shape of target tensor
   # multiply class weight array with inverse class_accuracies for each label
class_weights = tf.convert_to_tensor(parameter.class_weights, dtype=floatx())
   # weight targets with class weights and create pattern with which loss can be multiplied
class_weights_pattern = tf.multiply(target, class_weights)
class_weights_pattern = tf.reduce_sum(class_weights_pattern, reduction_indices=len(class_weights_pattern.get_shape())-1)#, keep_dims=True)
if not from_logits:
    # scale preds so that the class probas of each sample sum to 1
    output /= tf.reduce_sum(output,
                            reduction_indices=len(output.get_shape()) - 1,
                            keep_dims=True)
    # manual computation of crossentropy
    epsilon = _to_tensor(_EPSILON, output.dtype.base_dtype)
    output = tf.clip_by_value(output, epsilon, 1. - epsilon)
    loss = - tf.reduce_sum(target * tf.log(output), reduction_indices=len(output.get_shape()) - 1)
    return tf.multiply(loss, class_weights_pattern)
else:
    loss = tf.nn.softmax_cross_entropy_with_logits(labels=target, logits=output)
    return tf.multiply(loss, class_weights_pattern)

最后我只改变了损失乘以 class_weights 模式。class_weights_pattern 包含每个像素对应的类权重，因此应该对正常的 categorical_crossentropy 损失进行加权。但是，如果我用修改后的损失训练我的模型，结果比我只使用 keras categorical_crossentropy 损失要糟糕得多。即使我将所有类权重设置为 1，这样我的 class_weighted_categorical_crossentropy 损失应该与 keras 的 categorical_crossentropy 损失完全相同，结果更糟。我已经用一些示例图像打印了这两种损失，并且损失完全相同。

有谁能够帮我？为什么它不起作用？提前致谢！

4

0 回答 0