深度学习——实现Dice Loss的示例代码

    这个函数计算的是Dice Loss，其中inputs是模型的输出，targets是真实标签。在函数中，我们首先使用sigmoid将输出转换为概率值，然后将其展平为二维矩阵，计算交集和并集，最后计算Dice系数并返回其均值。

def dice_loss(inputs, targets):
    num = targets.size(0)
    inputs = torch.sigmoid(inputs)
    flat_inputs = inputs.view(num, -1)
    flat_targets = targets.view(num, -1)
    intersection = torch.sum(flat_inputs * flat_targets, dim=1)
    union = torch.sum(flat_inputs, dim=1) + torch.sum(flat_targets, dim=1)
    dice_scores = 2 * intersection / (union + 1e-8)
    return 1 - dice_scores.mean()

    需要注意的是，在使用这个函数之前，需要先将inputs和targets转换为Tensor，并将其移动到GPU上（如果有的话）。