如何有条件地将值分配给张量[损失函数的掩蔽]？

Question

我想创建一个 L2 损失函数，忽略标签值为 0 的值（=> 像素）。张量 batch[1] 包含标签，而 output 是张量净输出，两者的形状都是 (None,300,300,1).

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）。执行此操作的张量流方式是什么？我还尝试使用 tf.reduce_sum(labels_mask) 将损失归一化，我希望它能像这样工作。

Answer 1

如果要这么写，就得用Tensorflow的scatter赋值方法了。不幸的是，tensorflow 也不真正支持布尔索引（新的 boolean_select 使它成为可能，但很烦人）。写起来会很棘手，阅读起来也很困难。

你有两个不那么烦人的选项：

使用labels_mask > 0作为布尔掩码，使用Tensorflow最近的boolean_mask函数。也许这是更张量流的方式，因为它调用任意特定的函数。
将 labels_mask > 0 转换为浮动：tf.cast(labels_mask > 0, tf.float32)。然后，您可以在代码的最后一行按照您想要的方式使用它。

Answer 2

这是一个如何应用布尔索引并有条件地为变量赋值的示例：

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]

如何有条件地将值分配给张量[损失函数的掩蔽]？

How to conditionally assign values to tensor [masking for loss function]?

python

tensorflow

machine-learning

loss

loss-function