Deep learning 损失之间的权衡？
我一直在做一项超分辨率任务。我有一个关于确定损失函数的问题，所以在手头的任务中，我想用SSIM作为损失函数来训练我的模型。我确实得到了一组很好的结果。最近我遇到了知觉损失函数，我们比较了预训练模型如何看待地面真实（GT）图像和超分辨率（SR）图像（模型生成的图像）。我的问题是，我正在考虑使用两种（（1-SSIM（SR，GT））+感知损失（SR，GT））损失进行反向传播，那么我应该在这两种损失之间使用一个折衷参数吗？如果是，我如何设置这些权衡参数？或者我应该以相等的权重加上这些损失Deep learning 损失之间的权衡？,deep-learning,pytorch,loss-function,ssim,tradeoff,Deep Learning,Pytorch,Loss Function,Ssim,Tradeoff,我一直在做一项超分辨率任务。我有一个关于确定损失函数的问题，所以在手头的任务中，我想用SSIM作为损失函数来训练我的模型。我确实得到了一组很好的结果。最近我遇到了知觉损失函数，我们比较了预训练模型如何看待地面真实（GT）图像和超分辨率（SR）图像（模型生成的图像）。我的问题是，我正在考虑使用两种（（1-SSIM（SR，GT））+感知损失（SR，GT））损失进行反向传播，那么我应该在这两种损失之间使用一个折衷参数吗？如果是，我如何设置这些权衡参数？或者我应该以相等的权重加上这些损失 PS：感知损失
PS：感知损失是通过从预先训练的模型中找到GT和SR图像的特征图之间的SSIM来计算的我怀疑这两者之间的折衷参数值是否有很好的理论依据。您可能需要设置某种形式的超参数搜索来找到一个好的比例。一个好的开始可能是缩放其中一个术语，使它们具有相同的平均大小。@user14709645您在tensorflow2上实现了SSIM损失吗？我使用pytorch！这很好，因为包的SSIM实现速度快了（2-3倍）。你可能会考虑这一点。我怀疑两者之间的折衷参数的价值有很好的理论依据。您可能需要设置某种形式的超参数搜索来找到一个好的比例。一个好的开始可能是缩放其中一个术语，使它们具有相同的平均大小。@user14709645您在tensorflow2上实现了SSIM损失吗？我使用pytorch！这很好，因为包的SSIM实现速度快了（2-3倍）。你可以考虑一下。