损失函数与评价函数

4.1 学习目标
掌握常见的评价函数和损失函数Dice、IoU、BCE、Focal Loss、Lovász-Softmax；
掌握评价/损失函数的实践；
4.2 TP TN FP FN
在讲解语义分割中常用的评价函数和损失函数之前，先补充一**TP(真正例 true positive) TN(真反例 true negative) FP(假正例 false positive) FN(假反例 false negative)**的知识。在分类问题中，我们经常看到上述的表述方式，以二分类为例，我们可以将所有的样本预测结果分成TP、TN、 FP、FN四类，并且每一类含有的样本数量之和为总样本数量，即TP+FP+FN+TN=总样本数量。
上述的概念都是通过以预测结果的视角定义的，可以依据下面方式理解：

预测结果中的正例 → 在实际中是正例 → 的所有样本被称为真正例（TP）<预测正确>

预测结果中的正例 → 在实际中是反例 → 的所有样本被称为假正例（FP）<预测错误>

预测结果中的反例 → 在实际中是正例 → 的所有样本被称为假反例（FN）<预测错误>

预测结果中的反例 → 在实际中是反例 → 的所有样本被称为真反例（TN）<预测正确>

这里就不得不提及精确率（precision）和召回率（recall）： P r e c i s i o n = T P T P + F P   R