通常，由于類別不均衡，需要使用weighted cross entropy loss平衡。

def inverse_freq(label):
 """
 輸入label [N,1,H,W],1是channel數(shù)目
 """
    den = label.sum() # 0
    _,_,h,w= label.shape
    num = h*w
    alpha = den/num # 0
    return torch.tensor([alpha, 1-alpha]).cuda()
# train
...
loss1 = F.cross_entropy(out1, label.squeeze(1).long(), weight=inverse_freq(label))

補(bǔ)充：Pytorch踩坑記之交叉熵（nn.CrossEntropy，nn.NLLLoss，nn.BCELoss的區(qū)別和使用）

在Pytorch中的交叉熵函數(shù)的血淚史要從nn.CrossEntropyLoss()這個(gè)損失函數(shù)開始講起。

從表面意義上看，這個(gè)函數(shù)好像是普通的交叉熵函數(shù)，但是如果你看過一些Pytorch的資料，會(huì)告訴你這個(gè)函數(shù)其實(shí)是softmax()和交叉熵的結(jié)合體。

然而如果去官方看這個(gè)函數(shù)的定義你會(huì)發(fā)現(xiàn)是這樣子的：

哇，竟然是nn.LogSoftmax()和nn.NLLLoss()的結(jié)合體，這倆都是什么玩意兒啊。再看看你會(huì)發(fā)現(xiàn)甚至還有一個(gè)損失叫nn.Softmax()以及一個(gè)叫nn.nn.BCELoss()。

我們來探究下這幾個(gè)損失到底有何種關(guān)系。

nn.Softmax和nn.LogSoftmax

首先nn.Softmax()官網(wǎng)的定義是這樣的：

嗯...就是我們認(rèn)識(shí)的那個(gè)softmax。那nn.LogSoftmax()的定義也很直觀了：

果不其然就是Softmax取了個(gè)log。可以寫個(gè)代碼測試一下：

import torch
import torch.nn as nn
 
a = torch.Tensor([1,2,3])
#定義Softmax
softmax = nn.Softmax()
sm_a = softmax=nn.Softmax()
print(sm)
#輸出：tensor([0.0900, 0.2447, 0.6652])
 
#定義LogSoftmax
logsoftmax = nn.LogSoftmax()
lsm_a = logsoftmax(a)
print(lsm_a)
#輸出tensor([-2.4076, -1.4076, -0.4076])，其中l(wèi)n(0.0900)=-2.4076

nn.NLLLoss

上面說過nn.CrossEntropy()是nn.LogSoftmax()和nn.NLLLoss的結(jié)合，nn.NLLLoss官網(wǎng)給的定義是這樣的：

The negative log likelihood loss. It is useful to train a classification problem with C classes

負(fù)對(duì)數(shù)似然損失 ，看起來好像有點(diǎn)晦澀難懂，寫個(gè)代碼測試一下：

import torch
import torch.nn
 
a = torch.Tensor([[1,2,3]])
nll = nn.NLLLoss()
target1 = torch.Tensor([0]).long()
target2 = torch.Tensor([1]).long()
target3 = torch.Tensor([2]).long()
 
#測試
n1 = nll(a,target1)
#輸出：tensor(-1.)
n2 = nll(a,target2)
#輸出：tensor(-2.)
n3 = nll(a,target3)
#輸出：tensor(-3.)

看起來nn.NLLLoss做的事情是取出a中對(duì)應(yīng)target位置的值并取負(fù)號(hào)，比如target1=0，就取a中index=0位置上的值再取負(fù)號(hào)為-1，那這樣做有什么意義呢，要結(jié)合nn.CrossEntropy往下看。

nn.CrossEntropy

看下官網(wǎng)給的nn.CrossEntropy()的表達(dá)式：

看起來應(yīng)該是softmax之后取了個(gè)對(duì)數(shù)，寫個(gè)簡單代碼測試一下：

import torch
import torch.nn as nn
 
a = torch.Tensor([[1,2,3]])
target = torch.Tensor([2]).long()
logsoftmax = nn.LogSoftmax()
ce = nn.CrossEntropyLoss()
nll = nn.NLLLoss()
 
#測試CrossEntropyLoss
cel = ce(a,target)
print(cel)
#輸出：tensor(0.4076)
 
#測試LogSoftmax+NLLLoss
lsm_a = logsoftmax(a)
nll_lsm_a = nll(lsm_a,target)
#輸出tensor(0.4076)

看來直接用nn.CrossEntropy和nn.LogSoftmax+nn.NLLLoss是一樣的結(jié)果。為什么這樣呢，回想下交叉熵的表達(dá)式：

其中y是label，x是prediction的結(jié)果，所以其實(shí)交叉熵?fù)p失就是負(fù)的target對(duì)應(yīng)位置的輸出結(jié)果x再取-log。這個(gè)計(jì)算過程剛好就是先LogSoftmax()再NLLLoss()。

所以我認(rèn)為nn.CrossEntropyLoss其實(shí)應(yīng)該叫做softmaxloss更為合理一些，這樣就不會(huì)誤解了。

nn.BCELoss

你以為這就完了嗎，其實(shí)并沒有。還有一類損失叫做BCELoss，寫全了的話就是Binary Cross Entropy Loss，就是交叉熵應(yīng)用于二分類時(shí)候的特殊形式，一般都和sigmoid一起用，表達(dá)式就是二分類交叉熵：

直覺上和多酚類交叉熵的區(qū)別在于，不僅考慮了的樣本，也考慮了的樣本的損失。

總結(jié)

nn.LogSoftmax是在softmax的基礎(chǔ)上取自然對(duì)數(shù)

nn.NLLLoss是負(fù)的似然對(duì)數(shù)損失，但Pytorch的實(shí)現(xiàn)就是把對(duì)應(yīng)target上的數(shù)取出來再加個(gè)負(fù)號(hào)，要在CrossEntropy中結(jié)合LogSoftmax來用

BCELoss是二分類的交叉熵?fù)p失，Pytorch實(shí)現(xiàn)中和多分類有區(qū)別

Pytorch是個(gè)深坑，讓我們一起扎根使用手冊(cè)，結(jié)合實(shí)踐踏平這些坑吧暴風(fēng)哭泣。

以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。