如何用 numpy 编写骰子损失反向传播答案

【问题标题】：How to write dice-loss backpropogation with numpy如何用 numpy 编写骰子损失反向传播
【发布时间】：2019-10-19 01:15:08
【问题描述】：

我正在尝试自己编写一个骰子损失函数。这是我写的前传。但我不明白如何计算反向传播。我试图写一些，但它不工作。还是 dice-loss 根本不需要 back prop？

alpha = 0.5
belta = 0.5

tp = np.sum(pred * label)

fn = np.sum((1- pred ) * label)

fp = np.sum(pred * (1 - label))

dice = tp / (tp + alpha * fn + belta * fp)

【问题讨论】：

标签： python numpy backpropagation dice loss-function

【解决方案1】：

我不确定我是否会称之为前向传球。您如何获得 pred ？通常你需要写下导致 pred 的步骤。然后你会像你一样得到你的损失。这定义了一个计算图。从那里可以开始反向传播（或反向传播）。您需要从计算图的末尾开始计算梯度，然后向后进行以获得损失相对于权重的梯度。我在一篇博文 (https://www.qwertee.io/blog/an-introduction-to-backpropagation) 中写了一篇关于反向传播的介绍，我想你应该找到更多关于如何做到这一点的细节。

【讨论】：

【解决方案2】：

你只需要使用微积分和链式法则来解决这个问题。

骰子定义为。 X 是您的 pred，Y 是您的标签。

对于大小为 MxN 的矩阵 X 和 Y，我们可以将其写为。

对 X 中的任意值 i,j 应用商规则：

我们现在可以除以|X|+|Y|这给了我们一个非常简洁的解决方案：

在python中：

dX = (2*Y-dice)/(np.sum(X)+np.sum(Y))

如果你在骰子的分子和分母中添加一个平滑项：

dX = (2*Y-dice)/(np.sum(X)+np.sum(Y)+eps)

如果你保存骰子，|X|和 |Y|前向计算中的变量，您不必在后向计算中再次计算它们。

【讨论】：