我有一个关于在我的pytorch网络中交叉熵损失的最佳实现的问题。我正在构建一个预测卷图片3D分割的网络。我有后台类或一个前台类，但它也应该有可能预测两个或多个不同的前台类。

训练时输入到我的网络的形状是[batch_size，input_channels，宽度，高度，深度]。输入通道等于1，因为我只有灰度图像，深度是根据构成3D体积的2D图片的数量。

网络的输出是[batch_size，#类，宽度，高度，深度]。#类现在等于两个，这两个维度几乎是相反的，因为我现在只有背景类和一个前景类。

现在我想计算交叉熵损失。现在我的实现如下所示：

    def loss(output, gt):
    loss_fn = nn.CrossEntropyLoss()
    gt_temp = torch.tensor(np.zeros((output.shape[0], output.shape[2],output.shape[3], output.shape[4]))).long()
    gt_temp[:, :, :, :] = gt[:, 0, :, :, :]
    return loss_fn(output, gt_temp)

我必须对基础真理进行一些维度更改，因为nn. CrossEntropyLoss（）期望基础真理的大小为（5,384,384,81），而输出的大小为（5,2,384,384,81）-

问题是这并没有真正起作用。它收敛到0.5-0.6的损失，它只是预测整个输出是背景。我该怎么办？

如果有人能帮忙，那就太棒了！！！我也不明白为什么输出和基础真理不应该是相同的形状？！

谢谢！