Fatal编程技术网
  • python/
  • Python 在多维标签的情况下，我们为什么需要分摊损失？

Python 在多维标签的情况下，我们为什么需要分摊损失？

python tensorflow

Python 在多维标签的情况下，我们为什么需要分摊损失？,python,tensorflow,Python,Tensorflow,我正在学习TensorFlow的教程。 有两件事我不明白： 首先，在定义损失时，作者指出，在多维标签的情况下，除以一个示例的形状： “如果标签是多维的，则平均每个样本中元素数量的每例损失。例如，如果预测形状是（批次大小，H，W，n类）且标签是（批次大小，H，W），您将需要更新每个示例的损失，例如：每个示例的损失/=tf.cast（tf.reduce\u prod（tf.shape（labels）[1:]，tf.float32）” 我们为什么要这样重新计算损失 其次，一个一般性问题：我注意到有几个

我正在学习TensorFlow的教程。 有两件事我不明白：

首先，在定义损失时，作者指出，在多维标签的情况下，除以一个示例的形状：

“如果
标签
是多维的，则平均每个样本中元素数量的
每例损失
。例如，如果预测形状是
（批次大小，H，W，n类）
且标签是
（批次大小，H，W）
，您将需要更新每个示例的损失，例如：
每个示例的损失/=tf.cast（tf.reduce\u prod（tf.shape（labels）[1:]，tf.float32）
”

我们为什么要这样重新计算损失

其次，一个一般性问题：我注意到有几个函数将
与strategy.scope（）一起使用
注释。如果这个对象是全局可用的，那么我们可以像这样在全局级别定义一个函数


with strategy.scope():
  def example_function():
    #do stuff


如果对象在全局范围内不可用，我们必须按如下方式构造代码：


def train():
  strategy = ...

  with strategy.scope():
    def sub_function1():
      #do stuff


这就产生了一个大函数，
train（）
，其中包含许多短子函数。我希望在与
train（）
相同的级别上定义子函数，而不使用全局
策略
对象。

是否有解决方法来实现此目的？
对于其他用户，此问题已得到回答