为什么我们需要在多维度标签的情况下划分损失

Question

我正在学习TensorFlow的自定义培训教程。有两件事我不明白：

首先，在定义损失时，作者指出用一个例子的形状来划分，在多维标签的情况下：

"如果labels是多维的，则对每个样本中元素数量的per_example_loss求平均值。例如，如果预测的形状是(batch_size, H, W, n_classes)，标签是(batch_size, H, W)，则需要更新per_example_loss，如：per_example_loss /= tf.cast(tf.reduce_prod(tf.shape(labels)[1:]), tf.float32)">

为什么我们需要以这种方式重新调整损失？

其次，一个一般性问题：我注意到有几个函数使用with strategy.scope()注释。如果这个对象是全局可用的，那么我们可以在全局级别上定义一个函数，比如这个

with strategy.scope():
def example_function():
#do stuff

如果对象在全局范围内不可用，我们必须像这样构建代码：

def train():
strategy = ...
with strategy.scope():
def sub_function1():
#do stuff

这导致了一个大函数train()，它具有许多短的子函数。我想定义与train()相同级别的子函数，而不使用全局strategy对象。有没有解决办法来实现这一点？

Answer 1

对于更多的用户，这个问题在这里得到了回答。