mask的用法

之前无数次遇见mask，这次总算搞懂了，简单总结下：

1. 控制损失中不同样本的分量

假设损失是对N个样本的单独损失求和，而网络对某些样本的预测已经足够精确了，这时候就可以利用mask（我也不懂为什么要叫mask）控制损失计算时，不同样本的权重，让损失更关注结果差的样本

masks = torch.zeros(len(index)).float().cuda() # 创建masks
for m in range(len(masks)):
	iou = get_iou(index[m], gt_index[m]) # 以iou作为衡量每个样本预测效果的指标
	masks[m] = (1-iou) # masks与iou值相反，iou越大，表示预测效果越好，则该样本在损失计算中越低
loss = loss * masks # 将计算好的损失乘以masks

注：这种用法，要求masks的维度就是样本数

2. 损失计算时覆盖掉非法数值

我的任务中，这个问题非常常见，因为任务的目标是预测每个视频的起始点和结束点，所以有时深度模型可能将起始点预测到结束点之后，这是不合法的，因此可以用mask来解决此类问题

这里就不举例了，不同场景下不一样

3. 图像分割任务中的掩码

不展开讲，没研究过这个任务

4. nlp中应对pad机制

参考知乎回答，有机会整理案例