如何以自定义Keras损耗将softmax输出转换为一热格式

Question

在 2D语义细分任务中。我想在自定义的Keras损失函数中为每个类别计算平均骰子系数。

因此，我认为第一步是计算每个类别的骰子系数，然后平均系数以获得avg_dice。

现在我的损失函数看起来像

def avg_dice_coef(y_true, y_pred, n_classes, smooth=1e-5):
    # y_pred_new = K.variable(np_utils.to_categorical(K.argmax(y_pred), num_classes=OPTIONS.nb_classes))

    avg_dice = 0.  # 用于求和每个类别的骰子系数，之后求平均
    for class_index in range(n_classes):  # 对每个类别进行循环
        intersection = K.sum(y_true[:, :, :, class_index] * y_pred_new[:, :, :, class_index], axis=[1, 2])
        union = K.sum(y_true[:, :, :, class_index], axis=[1, 2]) + K.sum(y_pred_new[:, :, :, class_index], axis=[1, 2])
        dice_one_class = K.mean((2. * intersection + smooth) / (union + smooth), axis=0)
        avg_dice += dice_one_class
    return avg_dice / n_classes  # 之后求平均

在此函数中，y_pred是 softmax之后来自网络的输出，labelsshape =（批量大小，1024、512，n_classes），predicts_shape =（批量大小，1024、512，n_classes）

我认为我的损失是错误的，因为我使用了float y_pred。根据方程式

我认为我应该使用整数0或1 y_pred值而不是float。因此，我需要1）使用K.argmax（）获得每个像素的最大值的索引，2）将K.argmax（）的结果转换为单幅格式。（一个简单的示例：convert [0.1，0.1 ，0.8]到[0，0，1]）

但是当我添加

y_pred_new = K.variable(np_utils.to_categorical(K.argmax(y_pred), num_classes=OPTIONS.nb_classes))

要实现此目标，我遇到了一个错误：

ValueError：设置具有序列的数组元素。

我该如何弥补我的损失？我求平均值的想法是否正确？

Answer 1

我认为函数np_utils.to_categorical()需要array，但它得到的sequence就像tensor一样。

我也遇到了问题，然后将np_utils.to_categorical()更改为tf.one_hot，它可以正常工作。

希望这会有所帮助：D