即網路的輸出output為 [batch_size, 1, height, width] 形狀。其中batch_szie為批量大小，1表示輸出乙個通道，height和width與輸入影象的高和寬保持一致。
在訓練時，輸出通道數是 1，網路得到的output包含的數值是任意的數。給定的target，是乙個單通道標籤圖，數值只有 0 和 1 這兩種。為了讓網路輸出output不斷逼近這個標籤，首先會讓output經過乙個sigmoid函式，使其數值歸一化到[0, 1]，得到output1，然後讓這個output1與target進行交叉熵計算，得到損失值，反向傳播更新網路權重。最終，網路經過學習，會使得output1逼近target。
訓練結束後，網路已經具備讓輸出的output經過轉換從而逼近target的能力。首先將輸出的output通過sigmoid函式，然後取乙個閾值（一般設定為0.5），大於閾值則取1反之則取0，從而得到**圖predict。後續則是一些評估相關的計算。
在這個過程中，訓練的損失函式為二進位制交叉熵損失函式，然後根據輸出是否用到了sigmoid有兩種可選的pytorch實現方式：
python
output = net(input) # net的最後一層沒有使用sigmoid
loss_func1 = torch.nn.bcewithlogitsloss()
loss = loss_func1(output, target)
torch.nn.bcewithlogitsloss()，顧名思義，在這個函式中，拿到output首先會做乙個sigmoid操作，再進行二進位制交叉熵計算。上面的操作等價於
python
output = net(input) # net的最後一層沒有使用sigmoid
output = f.sigmoid(output)
loss_func1 = torch.nn.bcewithloss()
loss = loss_func1(output, target)
在**試時，可用下面的**實現**圖的生成
python
output = net(input) # net的最後一層沒有使用sigmoid
output = f.sigmoid(output)
predict = torch.where(output>0.5,torch.ones_like(output),torch.zeros_like(output))
...
即網路的輸出output為 [batch_size, num_class, height, width] 形狀。其中batch_szie為批量大小，num_class表示輸出的通道數與分類數量一致，height和width與輸入影象的高和寬保持一致。
在訓練時，輸出通道數是num_class（這裡取2），網路得到的output包含的數值是任意的數。給定的target，是乙個單通道標籤圖，數值只有 0 和 1 這兩種。為了讓網路輸出output不斷逼近這個標籤，首先會讓output經過乙個softmax函式，使其數值歸一化到[0, 1]，得到output1，在各通道中，這個數值加起來會等於1。對於target他是乙個單通道圖，首先使用onehot編碼，轉換成num_class個通道的影象，每個通道中的取值是根據單通道中的取值計算出來的，例如單通道中的第乙個畫素取值為1（0<= 1 <=num_class-1，這裡num_class=2），那麼onehot編碼後，在第乙個畫素的位置上，兩個通道的取值分別為0，1。也就是說畫素的取值決定了對應序號的通道取1，其他的通道取0，這個非常關鍵。上面的操作執行完後得到target1，讓這個output1與target1進行交叉熵計算，得到損失值，反向傳播更新網路權重。最終，網路經過學習，會使得output1逼近target1（在各通道層面上）。
訓練結束後，網路已經具備讓輸出的output經過轉換從而逼近target的能力。計算output中各通道每乙個畫素位置上，取值最大的那個對應的通道序號，從而得到**圖predict。後續則是一些評估相關的計算。
在這個過程中，則可以使用交叉熵損失函式：
python
output = net(input) # net的最後一層沒有使用sigmoid
loss_func = torch.nn.crossentropyloss()
loss = loss_func(output, target)
output是 [batch_size, num_class, height, width]形狀的，而target是[batch_size, height, width]形狀的，需要按照上面的分析進行轉換才可以計算交叉熵，而在pytorch中，我們不需要進一步做這個處理，直接使用就可以了。
在**試時，使用下面的**實現**圖的生成
python
output = net(input) # net的最後一層沒有使用sigmoid
predict = output.argmax(dim=1)
...
總的來說，我覺得第二種方式更值得推廣，一方面不用考慮閾值的選取問題；另一方面，該方法同樣適用於多類別的語義分割任務，通用性更強。
[1][2]
原帖：
矩形分割（二分）
描述 平面上有乙個大矩形，其左下角座標 0，0 右上角座標 r,r 大矩形內部包含一些小矩形，小矩形都平行於座標軸且互不重疊。所有矩形的頂點都是整點。要求畫一根平行於y軸的直線x k k是整數 使得這些小矩形落在直線左邊的面積必須大於等於落在右邊的面積，且兩邊面積之差最小。並且，要使得大矩形在直線左...
分割繩子（二分）
時間限制 1 sec 記憶體限制 128 mb 題目描述 現有n條繩子，它們的長度分別為l1，l2，ln，如果從它們中切割出k條長度相同的繩子，這k條繩子每條最長能有多長？輸入共有兩行，第一行包含兩個正整數n和k，用乙個空格分隔 第二行包含n個數，依次表示n條繩子的長度，兩數間用乙個空格分隔。每條繩...
分割繩子（二分）
現在有n 1 n 1000 條繩子，他們的長度分別為l1，l2，ln 1 li 10000 如果從他們中切割出k 1 k 1000 條長度相同的繩子，這k條繩子每條最長能多長？收起共有兩行，第一行包含兩個正整數n和k，用乙個空格分割 第二行包含n個數，一次表示n條繩子的長度，兩數間用乙個空格分隔，每...