在确定检测任务和模型构建完成后，随之需要对训练的准则Criterion进行实现，可称之为损失函数或代价函数，简明而言，训练过程中真实值和计算值的误差。

分割常见的损失函数如下

cross entropy loss：交叉熵，通用于不同类样本量在一个量级的任务；focal loss：交叉熵的改进版本，增加两个权重，聚焦不平衡样本任务；dice loss：样本极不平衡可用，反向梯度值太大，训练不稳定；iou loss：较多见于目标检测任务的回归任务；

cross entropy loss

小拓展： md写公式需要单元：，；

方法一，直接调用函数

seg_loss = torch.nn.CrossEntropyLoss()

方法二，根据公式实现

class SimpleCrossEntropyLoss(nn.Module): # H(p,p)=p*log(q) def __init__(self): super().__init__() self.logsoftmax_func = nn.LogSoftmax(dim=1) # torch.log(torch.nn.Softmax(dims=1)(inputs)) self.nllloss_func = nn.NLLLoss() pass def forward(self, inputs, target): x = self.logsoftmax_func(inputs) loss = self.nllloss_func(x, target) return loss pass seg_loss = SimpleCrossEntropyLoss()

pytorch实现流程