Question

根据骰子Co-eff损失函数的这种Keras实现，损失是骰子系数的计算值的减去。损失应该随着时期而减少但是通过这种实现，我自然会得到负损失并且损失随着时期而减少，即从0向负无穷远侧移动，而不是接近于0. 如果我使用（1-骰子co-eff）代替（-dice co-eff）作为损失，是不是错了？ 这是完整的Keras实现（我正在讨论）：https://github.com/jocicmarko/ultrasound-nerve-segmentation/blob/master/train.py

smooth = 1.

def dice_coef(y_true, y_pred):
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)


def dice_coef_loss(y_true, y_pred):
return -dice_coef(y_true, y_pred)

我已经与你分享了我的实验记录，尽管只有2个时代：

Train on 2001 samples, validate on 501 samples
Epoch 1/2
Epoch 00001: loss improved from inf to -0.73789, saving model to unet.hdf5
 - 3229s - loss: -7.3789e-01 - dice_coef: 0.7379 - val_loss: -7.9304e-01 - val_dice_coef: 0.7930
Epoch 2/2
Epoch 00002: loss improved from -0.73789 to -0.81037, saving model to unet.hdf5
 - 3077s - loss: -8.1037e-01 - dice_coef: 0.8104 - val_loss: -8.2842e-01 - val_dice_coef: 0.8284
predict test data
9/9 [==============================] - 4s 429ms/step
dict_keys(['val_dice_coef', 'loss', 'val_loss', 'dice_coef'])

Answer 1

1-dice_coef或-dice_coef对于收敛都没有影响。但 1-dice_coef使监视更加熟悉，因为值在[0，1]范围内，而不是[-1，0]

Answer 2

我认为正确的损失是1 - dice_coef（y_true，y_pred）

Keras：骰子系数损失函数是负的并随着时期而增加

2 个答案: