使用 TensorFlow 实现联合损失的交集

Question

这可能更像是一个 TensorFlow 梯度问题。我一直在尝试将 Intersection over Union (IoU) 作为损失来实施，并且遇到了一些问题。言归正传，这是我计算 IoU 的代码的 sn-p：

def get_iou(masks, predictions):
    ious = []
    for i in range(batch_size):
        mask = masks[i]
        pred = predictions[i]
        masks_sum = tf.reduce_sum(mask)
        predictions_sum = tf.reduce_mean(pred)
        intersection = tf.reduce_sum(tf.multiply(mask, pred))
        union = masks_sum + predictions_sum - intersection
        iou = intersection / union
        ious.append(iou)
    return ious

iou = get_iou(masks, predictions)
mean_iou_loss = -tf.log(tf.reduce_sum(iou))
train_op = tf.train.AdamOptimizer(0.001).minimize(mean_iou_loss)

它按预期工作。但是，我遇到的问题是损失并没有减少。该模型确实进行了训练，尽管结果不太理想，所以我想知道我是否正确实施它。我必须自己计算梯度吗？我可以使用tf.gradients() 计算由this paper 得出的这个IoU 损失的梯度，尽管我不确定如何将它与tf.train.AdamOptimizer() 结合起来。阅读文档，我觉得compute_gradients 和apply_gradients 是我需要使用的命令，但我找不到任何关于如何使用它们的示例。我的理解是，Tensorflow 图应该能够通过链式法则自己得出梯度。那么在这个问题中甚至需要自定义渐变吗？如果不需要自定义渐变，那么我可能只是遇到了不适定问题，需要调整一些超参数。

注意：我已经尝试过 Tensorflow 的 IoU 实现，tf.metrics.mean_iou()，但每次都会吐出inf，所以我放弃了。

Answer 1

梯度计算发生在optimizer.minimize 函数内部，因此不需要在损失函数内部显式使用。但是，您的实现只是缺少一个可优化的、可训练的变量。

iou = get_iou(masks, predictions)
mean_iou_loss = tf.Variable(initial_value=-tf.log(tf.reduce_sum(iou)), name='loss', trainable=True)
train_op = tf.train.AdamOptimizer(0.001).minimize(mean_iou_loss)

除了数值稳定性、可微性和特定实现之外，这应该足以将其用作损失函数，它会随着迭代而改变。

也看看：

https://arxiv.org/pdf/1902.09630.pdf

Why does one not use IOU for training?