自定义损失函数 IoU 是不可微分的。你能为 ML 创建一个可微分的 IoU 损失函数吗？

Question

我目前使用CNN开发了峰值检测算法来确定理想的卷积内核，该内核可表示为理想的母波函数，它将最大程度地提高峰值检测精度。

我试图为CNN培训模型创建自己的IOU损失功能，但失败了。 我自己的损失功能如下所述。

'''
1D intersection over union loss function class
'''
class IoU(nn.Module):
  def __init__(self, thresh: float = 0.5):
    super().__init__()
    self.thresh = thresh

  def forward(self, inputs: torch.Tensor, targets:torch.Tensor, weights: Optional[torch.Tensor] = None, smooth: float = 0.0) -> Tensor:

    inputs = torch.where(inputs < self.thresh, 0, 1)
    batch_size = targets.shape[0]

    intersect = torch.logical_and(inputs, targets)
    intersect = intersect.view(batch_size, -1).sum(-1)

    union = torch.logical_and(inputs, targets)
    union = union.view(batch_size, -1).sum(-1)

    IoU = (intersect + smooth) / (union + smooth)
    IoU = IoU.mean()

    return IoU

我尝试通过这些简单模型如下测试是否有效。

x = torch.tensor(0, 1001, 256) # e.g. [0, 200, 30, 1000, ...]
true = torch.tensor(0, 2, 256) # e.g. [0, 1, 1, 0, 1, ...]

model = nn.Linear(256, 256)
criterion = IoU()

output = model(x)
loss = criterion(output, true)
loss.backward() # I'm stuck on here, cause my loss func IoU is not differentiable

print(f"loss ={loss}")
print(f"model weight: {model.weight.grad}")
print(f"model params: [x.grad for x in {model.parameters()]")

终端上的输出是RuntimeError：变量的元素0不需要毕业，并且没有Grad_fn

这个项目是我使用Pytorch的时间，所以我不知道它是什么乍一看，但是经过快速的研究，我弄清楚了为什么这种损失功能失败（虽然这是正确的），

但我的损失功能并非可区分。

这

就是此损失函数中断的链条规则中断的地方。

IoU = torch.nan_to_num(IoU)
IoU = IoU.mean()

注意到这一点后不久，我对GitHub或堆栈溢出进行了更深入的了解以查找任何其他可区分的损失功能，但是我仍然不确定如何创建一个可区分的IOU损失功能（尤其是对于一维数据）。

谢谢