Pytorch：unetアーキテクチャでカスタムウェイトマップを使用する正しい方法

u-netアーキテクチャには、カスタムのウェイトマップを使用して精度を高めるための有名なトリックがあります。詳細は次のとおりです。

さて、ここや他の複数の場所で質問することで、2つのアプローチについて知ることができます。

1）最初はtorch.nn.Functionalトレーニングループでメソッドを使用することです-

loss = torch.nn.functional.cross_entropy(output, target, w) ここで、wは計算されたカスタムの重みです。

2）2つ目はreduction='none'、トレーニングループ外の損失関数の呼び出しで使用することです。 criterion = torch.nn.CrossEntropy(reduction='none')

そして、トレーニングループでカスタムウェイトを掛けます-

gt # Ground truth, format torch.long
pd # Network output
W # per-element weighting based on the distance map from UNet
loss = criterion(pd, gt)
loss = W*loss # Ensure that weights are scaled appropriately
loss = torch.sum(loss.flatten(start_dim=1), axis=0) # Sums the loss per image
loss = torch.mean(loss) # Average across a batch

さて、どちらが正しいのか、他に方法があるのか​​、どちらが正しいのか、ちょっと混乱しています。

重み付け部分は、クラスの数（以下の例では2）に対してこのように実行される単純に重み付けされたクロスエントロピーのように見えます。

weights = torch.FloatTensor([.3, .7])
loss_func = nn.CrossEntropyLoss(weight=weights)

編集：

パトリック・ブラックからこの実装を見たことがありますか？

# Set properties
batch_size = 10
out_channels = 2
W = 10
H = 10

# Initialize logits etc. with random
logits = torch.FloatTensor(batch_size, out_channels, H, W).normal_()
target = torch.LongTensor(batch_size, H, W).random_(0, out_channels)
weights = torch.FloatTensor(batch_size, 1, H, W).random_(1, 3)

# Calculate log probabilities
logp = F.log_softmax(logits)

# Gather log probabilities with respect to target
logp = logp.gather(1, target.view(batch_size, 1, H, W))

# Multiply with weights
weighted_logp = (logp * weights).view(batch_size, -1)

# Rescale so that loss is in approx. same interval
weighted_loss = weighted_logp.sum(1) / weights.view(batch_size, -1).sum(1)

# Average over mini-batch
weighted_loss = -1. * weighted_loss.mean()

torch.nn.CrossEntropyLoss（）はtorch.nn.functionalを呼び出すクラスであることに注意してください。https://pytorch.org/docs/stable/_modules/torch/nn/modules/loss.html#CrossEntropyLossを参照してください

基準を定義するときに重みを使用できます。それらを機能的に比較すると、どちらの方法も同じです。

さて、メソッド1のトレーニングループの内側とメソッド2のトレーニングループの外側の損失を計算するという考えは理解できません。ループの外側で損失を計算する場合、どのように逆伝播しますか？