形式1：輸出為單通道
分析
即網絡的輸出 output 為 [batch_size, 1, height, width] 形狀。其中 batch_szie 為批量大小，1 表示輸出一個通道，height 和 width 與輸入圖像的高和寬保持一致。
在訓練時，輸出通道數是 1，網絡得到的 output 包含的數值是任意的數。給定的 target ，是一個單通道標簽圖，數值只有 0 和 1 這兩種。為了讓網絡輸出 output 不斷逼近這個標簽，首先會讓 output 經過一個sigmoid 函數，使其數值歸一化到[0, 1]，得到 output1 ，然后讓這個 output1 與 target 進行交叉熵計算，得到損失值，反向傳播更新網絡權重。最終，網絡經過學習，會使得 output1 逼近target。
訓練結束后，網絡已經具備讓輸出的 output 經過轉換從而逼近 target 的能力。首先將輸出的 output 通過sigmoid 函數，然后取一個閾值（一般設置為0.5），大於閾值則取1反之則取0，從而得到預測圖 predict。后續則是一些評估相關的計算。
代碼實現
在這個過程中，訓練的損失函數為二進制交叉熵損失函數，然后根據輸出是否用到了sigmoid有兩種可選的pytorch實現方式：
output = net(input) # net的最后一層沒有使用sigmoid
loss_func1 = torch.nn.BCEWithLogitsLoss()
loss = loss_func1(output, target)
當網絡最后一層沒有使用sigmoid時，需要使用 torch.nn.BCEWithLogitsLoss() ，顧名思義，在這個函數中，拿到output首先會做一個sigmoid操作，再進行二進制交叉熵計算。上面的操作等價於
output = net(input) # net的最后一層沒有使用sigmoid
output = F.sigmoid(output)
loss_func1 = torch.nn.BCEWithLoss()
loss = loss_func1(output, target)
當然，你也可以在網絡最后一層加上sigmoid操作。從而省去第二行的代碼（在預測時也可以省去）。
在預測試時，可用下面的代碼實現預測圖的生成
output = net(input) # net的最后一層沒有使用sigmoid
output = F.sigmoid(output)
predict = torch.where(output>0.5,torch.ones_like(output),torch.zeros_like(output))
...
即大於0.5的記為1，小於0.5記為0。
形式2：輸出為多通道
分析
即網絡的輸出 output 為 [batch_size, num_class, height, width] 形狀。其中 batch_szie 為批量大小，num_class 表示輸出的通道數與分類數量一致，height 和 width 與輸入圖像的高和寬保持一致。
在訓練時，輸出通道數是 num_class（這里取2），網絡得到的 output 包含的數值是任意的數。給定的 target ，是一個單通道標簽圖，數值只有 0 和 1 這兩種。為了讓網絡輸出 output 不斷逼近這個標簽，首先會讓 output 經過一個 softmax 函數，使其數值歸一化到[0, 1]，得到 output1 ，在各通道中，這個數值加起來會等於1。對於target 他是一個單通道圖，首先使用onehot編碼，轉換成 num_class個通道的圖像，每個通道中的取值是根據單通道中的取值計算出來的，例如單通道中的第一個像素取值為1（0<= 1 <=num_class-1，這里num_class=2），那么onehot編碼后，在第一個像素的位置上，兩個通道的取值分別為0，1。也就是說像素的取值決定了對應序號的通道取1，其他的通道取0，這個非常關鍵。上面的操作執行完后得到target1，讓這個 output1 與 target1 進行交叉熵計算，得到損失值，反向傳播更新網路權重。最終，網絡經過學習，會使得 output1 逼近target1（在各通道層面上）。
訓練結束后，網絡已經具備讓輸出的 output 經過轉換從而逼近 target 的能力。計算 output 中各通道每一個像素位置上，取值最大的那個對應的通道序號，從而得到預測圖 predict。后續則是一些評估相關的計算。
代碼實現
在這個過程中，則可以使用交叉熵損失函數：
output = net(input) # net的最后一層沒有使用sigmoid
loss_func = torch.nn.CrossEntropyLoss()
loss = loss_func(output, target)
根據前面的分析，我們知道，正常的output是 [batch_size, num_class, height, width]形狀的，而target是[batch_size, height, width]形狀的，需要按照上面的分析進行轉換才可以計算交叉熵，而在pytorch中，我們不需要進一步做這個處理，直接使用就可以了。
在預測試時，使用下面的代碼實現預測圖的生成
output = net(input) # net的最后一層沒有使用sigmoid
predict = output.argmax(dim=1)
...
即得到輸出后，在通道方向上找出最大值所在的索引號。
小結
總的來說，我覺得第二種方式更值得推廣，一方面不用考慮閾值的選取問題；另一方面，該方法同樣適用於多類別的語義分割任務，通用性更強。
參考資料
[1]https://blog.csdn.net/longshaonihaoa/article/details/105253553