网站建设伍首选金手指深圳网站搜索优化工具
在本系列的开篇，就对整个项目训练所需要的所有模块都进行了一个简要的介绍，尤其是针对训练中需要引入的各个结构，进行一个串联操作。
而在之前的数据构建篇和网络模型篇中，都对其中的每一个组块进行了分别的验证，预先在未开始训练前，检验其中的正确性，避免到训练时候，问题连连。
通过这一系列文章的学习后，我相信绝大部分的模块都已经介绍过了。包括：
- 综述篇中对优化器、模型获取和保存模型进行了介绍；
- 在数据流模块中，学习了如何导入数据，验证数据流；
- 网络模型那里，损失函数
loss的调用。
本篇其实存在的最大意义，就在于将这些零零散散的东西，拼接成一个整体。至于推理阶段，将单独新开一节，放到后面。通过这个系列的学习，也能多一些思考，加深一些感悟。
一、损失函数
在分割任务中，把目标分割任务的mask，转化为对像素点的分类任务。所以在计算损失的时候，论文里面的损失函数采用的就是交叉熵损失函数。
在后续的损失改进中，多引入dice loss或focal loss。我们就从交叉熵损失函数开始，探讨下它为什么可以应用在分割任务中。
本文继续沿着在网络模型评估阶段，使用的交叉熵损失函数，定义如下。对于其他分割的损失函数，参考这篇文章：【AI面试】CrossEntropy Loss 、Bal