初学者深度学习搭建网络容易出错的‘大因素’

1.网络输出与监督信号的尺寸应该匹配

如果你的输出是128*128*10的结果，那么你的监督信号也应该是128*128*10

如果你的监督信号是128*128*1，但是最后一个维度是整数，比如[1,10,2,3,1,1,1...]但是你的输出是128*128*10，那你可以考虑使用sparse 损失函数。categorical_sparse_crossentropy

 

2.监督信号应注意有没有未标注类

这个经常出现在dense label的图像标注中。有些象素并没有标注，那么在训练中不应该这些像素计入损失函数，测试时也注意不要计算，包括validation。

如果你用keras框架，那么就非常麻烦了。因为你能改accuracy的计算，比如下面

这个博主。

但是，关键在于loss能不能重写，要不训练利用的一直是错误数据。

single label 一个样本一个标签

那么，先说下对于一个标签的问题，我认为比较好解决。通过设置

1.自定义损失函数，再来一个中文的。