我正在尝试实现/学习如何实现对比损失。目前我的梯度正在爆炸到无穷大,我想我一定是错误地实现了某些东西。我想知道是否有人可以
如何在张量流中制作自定义损失函数,它将模型的输入、模型的预测和模型的权重作为参数
我正在尝试建立一个求解偏微分方程(PDE)的模型。问题是,它需要一个 make 损失函数,其参数为: 给予模型的输入 预测...
pytorch s3fd pga_attack,loss.backward()获取grad.data的问题
来自检测.sfd 导入 sfd_Detector def pgd_attack(模型,input_data,eps=0.03,alpha=0.01,attack_steps=1,device='cpu'): ta = input_data.requires_grad_(True).to(设备) 扰动 = ...
我正在开发一个使用人工神经网络的入场预测系统。我在训练模型时损失很大。以下是与数据集和模型相关的必要信息。 数据集: 对于我上校...
我最近尝试通过提供附加到最后一个编码块的附加分支来修改一维数据的U-NET模型,其目的是将数据分类为...的十八个区域
我对神经网络还很陌生。我正在张量流中训练网络,但我的数据集中的正例数量比负例数量少得多(这是一个医学数据集)。 所以,我
如何处理其中包含 (1/(1-exp(-x))-1/x) 的自定义损失函数?
我正在研究一个具有不规则张量的深度学习模型,其中自定义损失函数与以下内容相关: f(x)+f(x+50) 当x!=0时f(x)=1/(1-exp(-x))-1/x,当x=0时f(x)=0.5。 f(x) 的范围是...
我正在使用先进的机器学习技术解决 Python 中的多类分类问题。我正在处理的数据集存在严重的类别不平衡问题,其中某些类别......
我的代码中是什么导致我在 Pytorch 中训练网络时出现无限错误?
这是我的代码: 我正在处理一个非常大的数据集(有几百万个值)。我的输入数据有 12 个特征,而我的输出数据有 1 个特征。这是我第一次使用 Pytorch,...
TensorFlow:根据模型输入和输出计算正则化损失项的梯度
概述 我的模型是一个具有输入 Z 和输出 x 的编码器。 我正在尝试使用同时具有传统监督学习和正则化项的total_loss。我还有额外的功能(
在MONAI平台中使用未加权骰子和交叉熵损失训练医学图像分割模型时,epoch损失突然下降,如下图所示。我从来没有见过这样的亏损趋势。 ...
选择用于计算加权 sigmoid 交叉熵损失或在数据集不平衡情况下的任何加权损失的权重背后的一般逻辑是什么?问题域基于 v...
在 Keras 中,如何保存和加载包含自定义损失函数的神经网络模型?
当我使用自定义损失函数时,我在保存和重新加载神经网络模型时遇到困难。 例如,在下面的代码中(这里集成了相关问题的建议......
我目前面临一个问题。 我想知道应该如何反向传播以下模型中的损失函数。 这里重要的是所有蓝色部分都是 2 个输出所共有的,即
为什么我的 CNN 在二元分类问题上使用 BCELoss 时的准确率恒定为 50%,而使用交叉熵损失时准确率则为 80%+?
我正在使用 Pytorch 从头开始创建 CNN。我有一个平衡的图像数据集,将两个类别分成两半。我正在尝试使用 torch.nn 中的 BCEwithLogitsLoss 函数,因为我已阅读...
在 UNet3+ 中:运行时错误:梯度计算所需的变量之一已被就地操作修改了
当我尝试使用 UNet3+ 时出现错误: RuntimeError:梯度计算所需的变量之一已通过就地操作修改:[torch.cuda.FloatTensor [1, 1024, 64, 64]],
我试图将我自己的损失项包含在 nn.mse 损失中,但由于某种原因,我得到了意想不到的结果。我在这里做错了什么吗? c = nn.MSELoss(reduction="mean&quo...
我正在实现一个自动编码器,用于重建彩色图像。我想要使用的损失函数需要减少颜色集(最多约 100 种不同的颜色),但我正在努力寻找合适的
我是机器学习新手,所以如果这是任何人都可以弄清楚的愚蠢问题,我很抱歉。我在这里使用 TensorFlow 和 Keras。 这是我的代码: 将张量流导入为 tf 将 numpy 导入为 np 来自
我的 yTrue 基本上就像 [.2,.8] 但从来没有 [1,0] 或 [0,1] sum(yTrue)=1 总是 我尝试了 CategoricalCrossentropy 但发生了 TypeError - 类型错误:预期为 float32,但得到了 我的 yTrue 基本上就像 [.2,.8] 但从来没有 [1,0] 或 [0,1] sum(yTrue)=1 总是 我尝试了 CategoricalCrossentropy 但出现了 TypeError - 类型错误:预期为 float32,但得到 类型为“CategoricalCrossentropy”。 分类交叉熵用于分类。损失函数是 y_i*log(f(y_i)) 总和的负数,其中 f(y_i) 是模型的概率预测。看起来你有一个 y=0 和 y=1 的概率数组。您需要选择其中之一(通常为 y=1)作为目标变量并转换为标签的概率: y[y>=0.5]=1 y[y<0.5]=0 或 y = (y >= 0.5).astype(int)