如何计算像素级预测的交叉熵

我在Keras中运行一个全卷积网络（FCN），它使用二元交叉熵作为损失函数。然而，我不确定损失是如何累积的。

我知道损失是在像素级别应用的，但每个像素的损失是如何累积的呢？是将图像中每个像素的损失相加形成单一的图像损失，还是这些损失被平均化了？

此外，每个图像的损失在批次中是简单地相加（还是进行其他操作）？

回答：

我假设你的问题是一般的，而不是针对特定模型的（如果不是这样，你能分享你的模型吗？）。

你是对的，如果在像素级别使用交叉熵，结果必须在所有像素上进行归约（相加或平均）以获得单一值。

这是一个在TensorFlow中卷积自编码器的例子，其中这一步骤是具体的：

相关代码行是：

loss = tf.nn.sigmoid_cross_entropy_with_logits(labels=targets_, logits=logits)cost = tf.reduce_mean(loss)

无论你是取成本函数的平均值还是总和，都不会改变最小化器的值。但是，如果你取平均值，那么当你改变批次大小或图像大小的时候，成本函数的值更容易在不同实验之间进行比较。

学技术