我想创建一个L2丢失函数,忽略标签值为0的值(=>像素)。张量batch[1]
包含标签,而output
是净输出的张量,两者都具有(None,300,300,1)
的形状。
labels_mask = tf.identity(batch[1])
labels_mask[labels_mask > 0] = 1
loss = tf.reduce_sum(tf.square((output-batch[1])*labels_mask))/tf.reduce_sum(labels_mask)
我当前的代码屈服于TypeError: 'Tensor' object does not support item assignment
(在第二行)。什么是tensorflow方式来做到这一点?我还尝试用tf.reduce_sum(labels_mask)
来规范化损失,我希望这样做。
如果你想用这种方式编写,你必须使用Tensorflow的scatter
方法进行赋值。不幸的是,tensorflow也不支持布尔索引(新的boolean_select
使其成为可能,但令人讨厌)。写作难以阅读会很棘手。
你有两个不那么恼人的选择:
labels_mask > 0
作为布尔掩码并使用Tensorflow最近的boolean_mask函数。也许这是更多张量流方式,因为它调用任意特定的函数。labels_mask > 0
扔到浮动:tf.cast(labels_mask > 0, tf.float32)
。然后,您可以在代码的最后一行中以您希望的方式使用它。下面是一个如何应用布尔索引并有条件地为Variable赋值的示例:
a = tf.Variable(initial_value=[0, 0, 4, 6, 1, 2, 4, 0])
mask = tf.greater_equal(a, 2) # [False False True True False True True False]
indexes = tf.where(mask) # [[2] [3] [5] [6]], shape=(4, 1)
b = tf.scatter_update(a, mask, tf.constant(1500))
输出:
[ 0, 0, 1500, 1500, 1, 1500, 1500, 0]