bce：二分類交叉熵（binary cross entropy）；
在pytorch中對應著函式torch.nn.bceloss()；
具體公式如下：（引用自pytorch官方文件）
bce loss需要搭配sigmoid函式一起使用，具體的使用方法可以參考pytorch官方文件中的example：
>>> m = nn.sigmoid()
>>> loss = nn.bceloss()
>>> input = torch.randn(3, requires_grad=true)
>>> target = torch.empty(3).random_(2)
>>> output = loss(m(input), target)
>>> output.backward()
在目標檢測中，這是乙個值得**的問題，因為正樣本和負樣本是否平均還與使用的評價指標有關；
而在語義分割的多分類問題中，這確實是一種很好的思想，因為在語義分割中常常使用miou作為評價指標，
而在miou中，所有類別的iou是取平均值，所以所有類別都是視作平等的；
語義分割 設計loss函式的學習筆記
我們現在先來看看常見的loss函式具有什麼樣的特點 首先我們來看看 cross entropy loss的公式，這裡我們參考pytorch中的公式 好像有點不容易看懂，這裡我把它歸納一下，這裡的公式等價於，l os s x,clas s logq x loss x,class logq x loss...
《深度學習筆記》 loss函式的學習和理解
在南溪看來，loss函式是對目標target和 prediction之間的一種距離度量的公式 自身不變性指的是 當 prediction target時，loss函式的值為0 在數學上，我們可以認為是對映l ll的l ll函式矩陣為對稱矩陣 這一點是從蔡老師對 svm核函式有效性的證明 的論述中學習...
語義分割之損失函式綜述
來自cvpr2020，a survey of loss functions for semantic segmentation code 作者彙總了在語義分割領域中常用的幾種損失函式，並列出其適用場景。同時，作者也剔除了一種新的損失函式 log cosh dice loss function a b...