3D 多类别 Tversky Loss：原理 + PyTorch 实现 + 超参数调优

文章目录3D 多类别 Tversky Loss：原理 + PyTorch 实现 + 超参数调优一、Tversky Loss 原理1.1 公式1.2 特例二、3D 张量维度三、PyTorch 实现四、训练流程4.1 3D UNet4.2 训练循环五、维度适配 (备选格式)5.1 输入格式 (N, D, H, W, C)5.2 输入格式 (N, H, W, D, C)六、超参数搜索七、常见问题八、Loss 对比九、总结代码链接与详细流程购买即可解锁1000+YOLO优化文章，并且还有海量深度学习复现项目，价格仅需两杯奶茶的钱，每日更新3D 多类别 Tversky Loss：原理 + PyTorch 实现 + 超参数调优一、Tversky Loss 原理1.1 公式Tversky = TP / (TP + α·FP + β·FN) Loss = 1 - Tversky符号含义权重影响TP真阳性 (正确分割)分子, 越大越好FP假阳性 (误检)α 越大, 惩罚误检越重FN假阴性 (漏检)β 越大, 惩罚漏检越重smooth