Machine learning 损失函数，表示图像中从预测到最接近地面真实值的欧几里德距离？

是否存在计算预测像素和最近的地面真实像素之间的欧几里德距离的损失函数？具体来说，这是位置距离，而不是强度距离

---

这将取决于二进制预测和二进制地面真相。

这是均方误差（RMSE）的根，例如：

model.compile(loss='rmse', optimizer='adagrad')

但是使用均方误差可能更好，因为这里讨论的是：

i、 e.Keras逐批计算损失。避免不一致 我建议改用MSE

例如：

model.compile(loss='rmse', optimizer='adagrad')

但是由于您的数据只有二进制预测，我建议使用二进制交叉熵（）：

model.compile(loss='binary_crossentropy', optimizer='adagrad')

---

对不起，我应该澄清一下，我的意思是位置距离，而不是强度距离。也就是说，如果我在（1,1）处有一个预测像素，在（2,3）处有一个地面真实像素，那么损失将是2.24。用均方误差的根来检查这个例子。