Can someone help me? Why txty_loss_function is BCEWithLogitsLoss?

[WHYwyh]

请问为什么tools.py里面 txty_loss_function采用的是BCEWithLogitsLoss，而conf_loss_function采用的是MSEWithLogitsLoss，两者是否弄反了？

[yjh0410]

@WHYwyh txty是经过sigmoid处理的，值域在01之间，用BCE效果要好于MSE，这是我测试出来的结果，所以对于txty loss，我选择了BCE，而非MSE。conf_loss也可以用BCE，毕竟值域也是在01之间，但在我的测试下，我发现用MSE效果要好于BCE，所以，conf loss我选择了MSE，而非BCE

[WHYwyh]

@WHYwyh txty是经过sigmoid处理的，值域在01之间，用BCE效果要好于MSE，这是我测试出来的结果，所以对于txty loss，我选择了BCE，而非MSE。conf_loss也可以用BCE，毕竟值域也是在01之间，但在我的测试下，我发现用MSE效果要好于BCE，所以，conf loss我选择了MSE，而非BCE

我应该明白您的意思了，感谢回答！ 我之前是对照论文的公式来查看的，yolo里面conf loss，txty loss都用的MSE，看到您的代码不太一样所以提了这个问题。 看来对回归的预测也是可以用分类的loss来做，只用work就行，虽然这样做从解释性上来有点奇怪： 例如，在您代码里面，在训练时，txty的ground truth是在对应grid里的偏移量，然后inference时，模型输出的txty经过sigmoid之后在(0,1)之间，当作在对应grid中的占比。对于BCE来说，最后计算loss的时候，是对y*ln(x)+(1-y)*ln(1-x)的求和，本来期待的y是{0,1}的值，而您的y是[0,grid_size]。 理论上，模型通过这样的训练收敛之后，输出的txty就应该是gird里的偏移量(因为监督信号就是偏移量)，然后这样的偏移量经过sigmoid之后直接当成在grid内的占比，居然效果还会更好...Anyway,it works.

[yjh0410]

@WHYwyh 是的，对于01之间的连续变量，BCE也是可以去回归的，尤其是被sigmoid映射到01之间的，BCE多数情况下会学习得更好。对于txty的物理含义，在我看来，您理解得完全正确。

[WHYwyh]

@WHYwyh 是的，对于01之间的连续变量，BCE也是可以去回归的，尤其是被sigmoid映射到01之间的，BCE多数情况下会学习得更好。对于txty的物理含义，在我看来，您理解得完全正确。

感谢您的耐心回答和鼓励，收获良多！