标签: loss

今天早上我在Notepad ++上正在处理一个.js文件,就像往常一样,当程序崩溃时.所以我结束了它,并重新打开它,看看我的.js文件中的所有代码行都消失了,现在我剩下的就是大小为0kb的文件,因为它里面没有任何东西.到底怎么可能呢？它删除了我输入的所有内容并保存了文件,就好像它里面没有任何东西一样.

你知道一种方法来恢复我的代码吗？或者这样的事情发生在某人身上？:/我有点担心,因为那里有很多工作,我不想重新打字......

我在keras中使用多输出模型

model1 = Model(input=x, output=[y2,y3])

model1.compile((optimizer='sgd', loss=cutom_loss_function)

我custom_loss_function的;

def custom_loss(y_true, y_pred):
   y2_pred = y_pred[0]
   y2_true = y_true[0]

   loss = K.mean(K.square(y2_true - y2_pred), axis=-1)
   return loss

我只想在输出上训练网络y2.

当使用多个输出时,损失函数中的参数y_pred和y_true参数的形状/结构是什么？我可以按上述方式访问它们吗？难道y_pred[0]还是y_pred[:,0]？

任何人都可以用简单的词语解释,并可能用一些例子解释机器学习/神经网络领域的损失函数是什么？

这是在我关注Tensorflow教程时出现的:https://www.tensorflow.org/get_started/get_started

我使用tensorflow运行深度学习模型(CNN).在这个时代,我已经多次观察到损失和准确性都有所增加,或两者都有所减少.我的理解是两者总是成反比关系的.什么可能是同时增加或减少的情况.

我对PyTorch中的交叉熵损失感到有些困惑.

考虑这个例子:

import torch
import torch.nn as nn
from torch.autograd import Variable

output = Variable(torch.FloatTensor([0,0,0,1])).view(1, -1)
target = Variable(torch.LongTensor([3]))

criterion = nn.CrossEntropyLoss()
loss = criterion(output, target)
print(loss)

我希望损失为0.但我得到:

Variable containing:
 0.7437
[torch.FloatTensor of size 1]

据我所知,交叉熵可以像这样计算:

但不应该是1*log(1)= 0的结果？

我尝试了不同的输入,如单热编码,但这根本不起作用,所以看起来损失函数的输入形状是可以的.

如果有人可以帮助我并告诉我我的错误在哪里,我将非常感激.

提前致谢!

我为欺诈领域的文档二进制分类准备了几个模型.我计算了所有型号的对数损失.我认为它主要是测量预测的置信度,并且对数损失应该在[0-1]的范围内.我认为,当结果 - 确定课程不足以进行评估时,它是分类中的一项重要措施.因此,如果两个模型具有非常接近的acc,召回和精度,但是具有较低的对数损失函数,则应该选择它,因为在决策过程中没有其他参数/​​度量(例如时间,成本).

决策树的日志丢失为1.57,对于所有其他模型,它在0-1范围内.我如何解释这个分数？

在Keras(使用Tensorflow后端),我的自定义丢失功能可以使用当前输入模式吗？

当前输入模式被定义为用于产生预测的输入向量.例如,请考虑以下事项:X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.33, random_state=42, shuffle=False).然后将当前输入模式是与y_train(在损耗函数称为y_true)相关联的当前X_train矢量.

在设计自定义损失函数时,我打算优化/最小化需要访问当前输入模式的值,而不仅仅是当前预测.

我已经浏览了https://github.com/fchollet/keras/blob/master/keras/losses.py

我还查看了" 不只是y_pred的成本函数,y_true？ "

我也熟悉以前的例子来产生一个定制的损失函数:

import keras.backend as K

def customLoss(y_true,y_pred):
    return K.sum(K.log(y_true) - K.log(y_pred))

据推测(y_true,y_pred),其他地方也有定义.我已经看了一下源代码没有成功,我想知道我是否需要自己定义当前的输入模式,或者我的丢失函数是否已经可以访问它.

我想知道如何解释 YOLOv8 模型中的不同损失。我很容易找到有关 box_loss 和 cls_loss 的解释。关于 dfl_loss 我在互联网上没有找到任何信息。我还检查了 YOLOv8 文档。

我找到了一篇关于双焦点损失的文章，但不确定它是否对应于 YOLOv8 dfl_loss ：双焦点损失来解决语义分割中的类不平衡问题

有人可以向我解释什么是 dfl_loss 以及如何分析它吗？谢谢 ！

我想在UDP数据包丢失(或丢失)问题上获得SO同事的经验.

最初我的理解是,给定直接点对点连接,其中NIC通过交叉电缆和NIC上的充足缓冲器连接并及时处理所述缓冲区,应该没有丢包或数据包排序问题.我相信在这两点之间有一个好的/高端的开关也是如此.

1. 排除上述情况,LAN上的平均UDP丢包率是多少

2. 什么情况会导致UDP数据包排序问题？

根据PyTorch 文档，该类的优点BCEWithLogitsLoss()是可以使用

用于数值稳定性的 log-sum-exp 技巧。

BCEWithLogitsLoss()如果我们使用参数reduction设置为 的类None，他们有一个公式：

我现在简化了条款，经过几行计算后得到：

我很好奇源代码是否是这样做的，但我找不到它。他们唯一的代码是这样的：

BCEWithLogitsLoss 的代码