在确定检测任务和模型构建完成后，随之需要对训练的准则Criterion进行实现，可称之为损失函数或代价函数，简明而言，训练过程中真实值和计算值的误差。

分割常见的损失函数如下

• cross entropy loss：交叉熵，通用于不同类样本量在一个量级的任务；
• focal loss：交叉熵的改进版本，增加两个权重，聚焦不平衡样本任务；
• dice loss：样本极不平衡可用，反向梯度值太大，训练不稳定；
• iou loss：较多见于目标检测任务的回归任务；

cross entropy loss

小拓展： md写公式需要单元：，；

方法一，直接调用函数

seg_loss = torch.nn.CrossEntropyLoss()

方法二，根据公式实现

class SimpleCrossEntropyLoss(nn.Module):
    # H(p,p)=p*log(q)
    def __init__(self):
        super().__init__()
        self.logsoftmax_func = nn.LogSoftmax(dim=1)  
        # torch.log(torch.nn.Softmax(dims=1)(inputs))
        self.nllloss_func = nn.NLLLoss()
        pass
    def forward(self, inputs, target):
        x = self.logsoftmax_func(inputs)
        loss = self.nllloss_func(x, target)
        return loss
    pass
seg_loss = SimpleCrossEntropyLoss()

nn.NLLLoss()实现举例

令 ，一维二维计算示例如下。

图像语义分割实践（四）损失函数与实现_智能之心的博客-CSDN博客

图像语义分割实践（四）损失函数与实现 - 知乎

图像语义分割实践（四）损失函数与实现 - 简书