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)