pytorch loss

pytorch-loss

我实现了标签 - 平滑，AmsoftMax，部分-FC，焦点损失，双尾部损失，三重损失，giou/diou/diou/diou/diou/diou/ciou-loss/func，affinity-loss，pc_softmax_cross_cross_entropy，ohem-loss，ohem-loss，ohemax，softmax，基于线路硬矿山矿业损失），大矿床损失），大型margin-softmax（bmargin-softmax（ lovasz-softmax-loss和Dice-loss（均已普遍的软骰子丢失和批处理软骰子损失）。也许这对我将来的工作很有用。

还试图实施Swish，Hard-Swish（Hswish）和Mish激活功能。

此外，添加了基于CUDA的一hot函数（支持标签平滑）。

新添加了“指数移动平均值（EMA）”运算符。

添加卷积OPS，例如COORD-CONV2D和DYAMIC-CONV2D（DY-CONV2D）。

一些操作员使用Pytorch Cuda扩展程序实施，因此您需要首先对其进行编译：

    $ python -m pip install .

安装后，现在您可以拿起所需的东西，并使用损失或操作，例如其中一个：

 from pytorch_loss import SwishV1 , SwishV2 , SwishV3
from pytorch_loss import HSwishV1 , HSwishV2 , HSwishV3
from pytorch_loss import MishV1 , MishV2 , MishV3
from pytorch_loss import convert_to_one_hot , convert_to_one_hot_cu , OnehotEncoder
from pytorch_loss import EMA

from pytorch_loss import TripletLoss
from pytorch_loss import SoftDiceLossV1 , SoftDiceLossV2 , SoftDiceLossV3
from pytorch_loss import PCSoftmaxCrossEntropyV1 , PCSoftmaxCrossEntropyV2
from pytorch_loss import LargeMarginSoftmaxV1 , LargeMarginSoftmaxV2 , LargeMarginSoftmaxV3
from pytorch_loss import LabelSmoothSoftmaxCEV1 , LabelSmoothSoftmaxCEV2 , LabelSmoothSoftmaxCEV3
from pytorch_loss import GIOULoss , DIOULoss , CIOULoss
from pytorch_loss import iou_func , giou_func , diou_func , ciou_func
from pytorch_loss import FocalLossV1 , FocalLossV2 , FocalLossV3
from pytorch_loss import Dual_Focal_loss
from pytorch_loss import GeneralizedSoftDiceLoss , BatchSoftDiceLoss
from pytorch_loss import AMSoftmax
from pytorch_loss import AffinityFieldLoss , AffinityLoss
from pytorch_loss import OhemCELoss , OhemLargeMarginLoss
from pytorch_loss import LovaszSoftmaxV1 , LovaszSoftmaxV3
from pytorch_loss import TaylorCrossEntropyLossV1 , TaylorCrossEntropyLossV3
from pytorch_loss import InfoNceDist
from pytorch_loss import PartialFCAMSoftmax

from pytorch_loss import TaylorSoftmaxV1 , TaylorSoftmaxV3
from pytorch_loss import LogTaylorSoftmaxV1 , LogTaylorSoftmaxV3

from pytorch_loss import CoordConv2d , DY_Conv2d

Note that some losses or ops have 3 versions, like LabelSmoothSoftmaxCEV1 , LabelSmoothSoftmaxCEV2 , LabelSmoothSoftmaxCEV3 , here V1 means the implementation with pure pytorch ops and use torch.autograd for backward computation, V2 means implementation with pure pytorch ops but use self-derived formula for backward computation, and V3 means implementation with cuda 扩大。一般而言， V3 OPS的内存效率更快，更有效，因为我试图挤压一个CUDA内核功能，在大多数情况下，与Pytorch Ops的组合相比，它的开销少。

对于那些碰巧找到此存储库的人，如果您在我的代码中看到错误，请随时打开一个问题以纠正我。