我正在使用Keras实现的U-Net(https://arxiv.org/pdf/1505.04597.pdf(来分割显微镜图像中的细胞器。为了让我的网络识别多个仅相隔 1 个像素的单个对象，我想为每个标签图像使用权重图(公式在出版物中给出(。
据我所知，我必须创建自己的自定义损失函数(在我的例子中是交叉熵(来使用这些权重图。但是，自定义损失函数仅接受两个参数。如何在这样的函数中添加权重图值？
以下是我的自定义损失函数的代码：
def pixelwise_crossentropy(self, ytrue, ypred):
ypred /= tf.reduce_sum(ypred, axis=len(ypred.get_shape()) - 1, keep_dims=True)
# manual computation of crossentropy
_epsilon = tf.convert_to_tensor(epsilon, ypred.dtype.base_dtype)
output = tf.clip_by_value(ypred, _epsilon, 1. - _epsilon)
return - tf.reduce_sum(ytrue * tf.log(output))
有没有办法将权重图值与 ytrue 张量中的标签值组合在一起？
如果这个问题看起来很愚蠢，我很抱歉，正如我所说，我对游戏相对较新。任何帮助或建议将不胜感激！
如果你正在尝试实现二进制交叉熵加权损失，你可以使用张量流内置损失函数
pos_weight = tf.constant([[1.0, 2.0]])
tensorflow.nn.weighted_cross_entropy_with_logits(y_true,
y_pred,
pos_weight,
name=None)
查看文档 https://www.tensorflow.org/api_docs/python/tf/nn/weighted_cross_entropy_with_logits
凯拉斯的实现
def pixel_wise_loss(y_true, y_pred):
pos_weight = tf.constant([[1.0, 2.0]])
loss = tf.nn.weighted_cross_entropy_with_logits(
y_true,
y_pred,
pos_weight,
name=None
)
return K.mean(loss,axis=-1)
如果您正在尝试实现softmax_cross_entropy_with_logits请按照链接转到上一个解释 softmax_cross_entropy_with_logits