如何在TensorFlow中实现完全卷积网络上的丢失？

Question

所以我开始实施Gupta等人的论文“自然图像中文本定位的合成数据”。我遇到了一个严重的问题。

网络架构是一个完全卷积网络。最后一层基本上是NxNx7 Tensor（想象一下矩阵，其中每个单元格保存7个值）。每个单元格保持P和C值。 P是关于应该回归的边界框的6个参数，C是置信度。

现在我想在这一层上实现平方损失。由于论文指出最后一层的每个单元都是预测，如果预测器的位置确实应该包含一个边界框，则应该对该预测器（或单元）中的所有参数应用损失。如果它不应该包含一个边界框，那么只回归置信度C就足够了。

所以我应该在TensorFlow中动态定义单独的损失，我怎么能这样做？

Answer 1

您可以使用tf.cond，并编写类似

的内容

loss = tf.cond(is_there_sthg_label, lambda: tf.add(loss1, loss2), lambda: loss2) 

编辑：

抱歉，我没有正确理解你的问题。如果存在边界框，则可以在NxN上创建大小为[i, j]且值为True（在运行时）的掩码，否则为false。然后计算每个单元格的损失，得到形状loss1的张量loss2和NxN，然后

#loss1 is the loss on the confidence only, loss2 is the loss on P
loss_tensor = loss1 + tf.multiply(loss2, tf.cast(mask, loss2.dtype))
total_loss = reduce_sum(loss_tensor)

（如果你当然有批次，这仍然有效）