pytorch loss

pytorch-loss

我實現了標籤 - 平滑，AmsoftMax，部分-FC，焦點損失，雙尾部損失，三重損失，giou/diou/diou/diou/diou/diou/ciou-loss/func，affinity-loss，pc_softmax_cross_cross_entropy，ohem-loss，ohem-loss，ohemax，softmax，基於線路硬礦山礦業損失），大礦床損失），大型margin-softmax（bmargin-softmax（ lovasz-softmax-loss和Dice-loss（均已普遍的軟骰子丟失和批處理軟骰子損失）。也許這對我將來的工作很有用。

還試圖實施Swish，Hard-Swish（Hswish）和Mish激活功能。

此外，添加了基於CUDA的一hot函數（支持標籤平滑）。

新添加了“指數移動平均值（EMA）”運算符。

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

一些操作員使用Pytorch Cuda擴展程序實施，因此您需要首先對其進行編譯：

    $ python -m pip install .

安裝後，現在您可以拿起所需的東西，並使用損失或操作，例如其中一個：

 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

請注意，某些損失或OPS具有3個版本，例如LabelSmoothSoftmaxCEV1 ， LabelSmoothSoftmaxCEV2 ， LabelSmoothSoftmaxCEV3 ，此處V1表示實現純Pytorch ops，並使用torch.autograd進行落後的計算， V2表示與純pytorch Ops實現，但使用py pytorch ops and cydorch op forder，cytorch op forder verdare verda verda verda velder，cytorch op forder verder verda velder， V3擴大。一般而言， V3 OPS的內存效率更快，更有效，因為我試圖擠壓一個CUDA內核功能，在大多數情況下，與Pytorch Ops的組合相比，它的開銷少。

對於那些碰巧找到此存儲庫的人，如果您在我的代碼中看到錯誤，請隨時打開一個問題以糾正我。