Fatal编程技术网

Deep learning Caffe损耗层-反向函数

deep-learning

Deep learning Caffe损耗层-反向函数,deep-learning,caffe,loss,Deep Learning,Caffe,Loss,我有一个关于Caffe损耗层中的后向函数的问题。 我在以下位置看到了欧几里德损失层的实现： 最后，向后功能定义如下： def backward(self, top, propagate_down, bottom): for i in range(2): if not propagate_down[i]: continue if i == 0: sign = 1 else:

我有一个关于Caffe损耗层中的后向函数的问题。 我在以下位置看到了欧几里德损失层的实现：

最后，向后功能定义如下：

def backward(self, top, propagate_down, bottom):
    for i in range(2):
        if not propagate_down[i]:
            continue
        if i == 0:
            sign = 1
        else:
            sign = -1
        bottom[i].diff[...] = sign * self.diff / bottom[i].num
我知道bottom[0]表示预测值，bottom[1]表示目标值（基本事实）。
你能帮我理解为什么符号表示预测为+1，表示目标为-1吗？ 我认为我们不需要为目标的底部[1].diff分配任何值

如果我有多标签问题，如何更新代码

当
bottom[1]
是基本事实时，您应该期望
propagate\u down[1]
为
False
，因此不会向标签传播渐变。
但是，如果您使用此损失层来比较两个可训练的斑点，您希望将梯度传播到两个
底部
s

这个符号只是由于这个特殊损失的导数，写下导数，你就会知道它来自哪里

这里我缺少的一件事是
top[0]。diff
。如果我理解正确，它应该保持为该层定义的
失重