dice_loss¶

paddle.nn.functional. dice_loss ( input, label, epsilon=1e-05, name=None ) [源代码] ¶

比较预测结果跟标签之间的相似度，通常用于二值图像分割，即标签为二值，也可以做多标签的分割。

dice_loss 定义为：

\[\begin{split}dice\_loss &= 1- \frac{2 * intersection\_area}{total\_rea}\\ &= \frac{(total\_area−intersection\_area)−intersection\_area}{total\_area}\\ &= \frac{union\_area−intersection\_area}{total\_area}\end{split}\]

参数¶

input (Tensor) - 分类的预测概率，秩大于等于 2 的多维 Tensor，维度为 \([N_1, N_2, ..., N_k, D]\)。第一个维度的大小是 batch_size，最后一维的大小 D 是类别数目。数据类型是 float32 或者 float64。

label (Tensor)- 正确的标注数据(groud truth)，与输入 input 的秩相同的 Tensor，维度为 \([N_1, N_2, ..., N_k, 1]\)。第一个维度的大小是 batch_size，最后一个维度的大小是 1。数据类型为 int32 或者 int64。

epsilon (float，可选) - 将会加到分子和分母上的数，浮点型的数值。如果输入和标签都为空，则确保 dice 为 1。默认值：0.00001。

name (str，可选) - 具体用法请参见 Name，一般无需设置，默认值为 None。

返回¶

Tensor，shape 为 [batch_size, 1]，数据类型与 input 相同

代码示例¶

          >>> import paddle
>>> import paddle.nn.functional as F

>>> x = paddle.randn((3,224,224,2))
>>> label = paddle.randint(high=2, shape=(3,224,224,1))
>>> predictions = F.softmax(x)
>>> loss = F.dice_loss(input=predictions, label=label)

         