如何在Tensorflow中用掩模減去兩個張量？

Question

我正在實施YOLO網絡，自我損失。

說有兩個張量，GT和PD（基礎事實和預測）。兩個4x4的dims矩陣。

假設GT是：

0,0,0,0
0,1,0,0
0,0,1,0
0,0,0,0

PD具有相同的大小和一些隨機的nums。

在這里，我需要分別計算均方誤差。
使用GT中的一個來計算MSE，並且在GT中單獨使用零點來計算MSE。
我更喜歡使用掩碼來覆蓋不相關的元素，因此計算時只計算相關元素。 我已經在numpy中實現了這個，但是不知道如何使用tf（v1.14）

import numpy as np
import numpy.ma as ma
conf = y_true[...,0]
conf = np.expand_dims(conf,-1)

conf_pred = y_pred[...,0]
conf_pred = np.expand_dims(conf_pred,-1)

noobj_conf = ma.masked_equal(conf,1)   #cover grid with objects
obj_conf = ma.masked_equal(conf,0)     #cover grid without objects

loss_obj = np.sum(np.square(obj_conf - conf_pred))
loss_noobj = np.sum(np.square(noobj_conf - conf_pred))

有關如何在tensorflow中實現此功能的任何建議？

Answer 1

如果我理解正確，你想分別計算0和1的均方誤差。

您可以執行以下操作：

y_true = tf.constant([[0,0,0,0],[0,1,0,0],[0,0,1,0],[0,0,0,0]], dtype=tf.float32)
y_pred = tf.random.uniform([4, 4], minval=0, maxval=1)

# find indices where 0 is present in y_true
indices0 = tf.where(tf.equal(y_true, tf.zeros([1.]))) 
# find indices where 1 is present in y_true
indices1 = tf.where(tf.equal(y_true, tf.ones([1.]))) 

# find all values in y_pred which are present at indices0
y_pred_indices0 = tf.gather_nd(y_pred, indices0)
# find all values in y_pred which are present at indices1
y_pred_indices1 = tf.gather_nd(y_pred, indices1)

# mse loss calculations 
mse0 = tf.losses.mean_squared_error(labels=tf.gather_nd(y_true, indices0), predictions=y_pred_indices0)
mse1 = tf.losses.mean_squared_error(labels=tf.gather_nd(y_true, indices1), predictions=y_pred_indices1)

# mse0 = tf.reduce_sum(tf.squared_difference(tf.gather_nd(y_true, indices0), y_pred_indices0))
# mse1 = tf.reduce_sum(tf.squared_difference(tf.gather_nd(y_true, indices1), y_pred_indices1))

with tf.Session() as sess:
    y_, loss0, loss1 = sess.run([y_pred, mse0, mse1])
    print(y_)
    print(loss0, loss1)

輸出：

[[0.12770343 0.43467927 0.9362457  0.09105921]
 [0.46243036 0.8838414  0.92655015 0.9347118 ]
 [0.14018488 0.14527774 0.8395766  0.14391887]
 [0.1209656  0.7793218  0.70543754 0.749542  ]]
0.341359 0.019614244