问题描述
在在线查看eh公式后,我为yolo创建了此损失函数。但是由于某种原因,它会占用大量内存并且效率不高,我认为在实现它时可能会遗漏某些东西并犯了一个错误。 你们中的任何人都可以解释这个错误吗?
def yolo_loss(y_actual,y_predicted):
# print(y_actual.shape.as_list())
# print(y_predicted.shape.as_list())
c = 4
class_loss = 0.0
loc_loss = 0.0
l_coord = 5
obj_conf_loss = 0.0
noobj_conf_loss = 0.0
l_coord2 = 0.5
for b in range(len(y_actual)):
for j in range(len(y_actual[0])):
for i in range(len(y_actual[0][0])):
for k in range(len(y_actual[0][0][0])):
pred_inverse = k*9
# classification loss
for cl in range(5,5+c):
class_loss += (y_actual[b,j,i,k,cl] - y_predicted[b,pred_inverse+cl]) ** 2
# localization loss
x_loss = (y_actual[b,0] - y_predicted[b,pred_inverse+0]) ** 2
y_loss = (y_actual[b,1] - y_predicted[b,pred_inverse+1]) ** 2
w_loss = ( (y_actual[b,2] ** 0.5) - (y_predicted[b,pred_inverse+2] ** 0.5) )** 2
h_loss = ( (y_actual[b,3] ** 0.5) - (y_predicted[b,pred_inverse+3] ** 0.5) )** 2
loc_loss += ( l_coord * (x_loss + y_loss) ) + ( l_coord * (w_loss + h_loss) )
# object or not loss
if y_actual[b,4] == 1:
obj_conf_loss += (y_actual[b,4] - y_predicted[b,pred_inverse+4]) ** 2
else:
noobj_conf_loss += l_coord2*(y_actual[b,pred_inverse+4]) ** 2
return ( class_loss + loc_loss + obj_conf_loss + noobj_conf_loss)
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)