此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 类
  • OHEMLoss
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包
最后更新
Python API: luxonis_train.attached_modules.losses.ohem_loss一个损失包装器,仅对最难的元素进行平均。

类

OHEMLoss

用于像素或类别损失的在线难例挖掘包装器。
  • Inputs::
    • predictions (Tensor): [B, C, ...] logits,传递给准则
    • target (Tensor): 任务的标签,传递给准则
  • Outputs::
    • Tensor: 标量
  • Formula:: 准则计算每个元素的损失,reduction="none"。损失将这 n 个值按降序排序,即 ℓ0 ≥ ℓ1 ≥ …。使用比率 r = ohem_ratio 和概率 p = ohem_threshold: k = min(⌊r n⌋, n − 1), τ = − lnp 当 ℓk > τ 时,损失是所有高于 τ 的值的平均值。否则,损失是 k 个最大值的平均值。对于没有类别权重和标签平滑的交叉熵,高于 τ 的值意味着目标预测概率低于 p。

方法

init
Python
1def __init__(criterion: str | type[BaseLoss] | Literal['auto'] = 'auto', ohem_ratio: float = 0.1, ohem_threshold: float = 0.7, **kwargs):
初始化损失并创建准则。该方法使用 **kwargs 和 reduction="none" 创建准则,因此准则必须接受 reduction。参数
  • criterion (str | type[BaseLoss] | Literal['auto']): 计算每个元素值的损失。字符串名称是 LOSSES 注册表中的损失,例如 "CrossEntropyLoss"。未知名称会引发 KeyError。该方法使用 BaseLoss 子类。当节点只有一个类时,"auto" 选择 "BCEWithLogitsLoss",否则选择 "CrossEntropyLoss"。然后该方法会记录有关推断任务的警告。如果没有节点,"auto" 会引发 ValueError。
  • ohem_ratio (float): 比率 r,用于设置当 ℓk ≤ τ 时损失保留的最大值数量 k。
  • ohem_threshold (float): 概率 p,用于设置损失阈值 τ = − lnp。
  • **kwargs: 转发给 BaseLoss 和准则的关键字参数,例如 final_loss_weight 和 node。两者接收相同的参数,因此只有准则接受的参数(例如 label_smoothing)会引发 TypeError。
forward
Python
1def forward(predictions: Tensor, target: Tensor) -> Tensor:
计算准则损失并平均最难的元素。准则给出每个元素的损失。该方法将这些损失展平并保留最难的损失,如类公式所述。参数
  • predictions (Tensor): 节点的主要输出,传递给准则。对于默认准则,形状为 [B, C, ...] 的 logits。
  • target (Tensor): 任务的单个标签,例如形状为 [B, C, H, W] 的 segmentation 标签,传递给准则。
返回
  • Tensor: 保留的元素损失的平均值,作为标量。当方法不保留任何元素时,值为 nan。对于没有元素的输入,该方法返回元素损失的空张量。

属性

criterion
supported_tasks