mirror of
https://github.com/unanmed/ginka-generator.git
synced 2026-05-17 15:01:10 +08:00
338 lines
14 KiB
Python
338 lines
14 KiB
Python
import math
|
||
import torch
|
||
import torch.nn as nn
|
||
import torch.nn.functional as F
|
||
from pytorch_toolbelt import losses as L
|
||
|
||
def wall_border_loss(pred: torch.Tensor, probs: torch.Tensor, allow_border=[1, 11]):
|
||
"""地图最外层是否为墙"""
|
||
# 计算 softmax 概率
|
||
B, C, H, W = pred.shape
|
||
|
||
# 构造一个 [H, W] 的布尔 mask，选取最外圈的像素
|
||
border_mask = torch.zeros((H, W), dtype=torch.bool, device=pred.device)
|
||
border_mask[0, :] = True
|
||
border_mask[-1, :] = True
|
||
border_mask[:, 0] = True
|
||
border_mask[:, -1] = True
|
||
|
||
# 对允许的类别求概率和（即该像素为允许类别的总概率）
|
||
allowed_prob = probs[:, allow_border, :, :].sum(dim=1) # [B, H, W]
|
||
|
||
# 只计算边界区域的损失：对于边界上的每个像素，要求 allowed_prob 越高越好
|
||
border_allowed_prob = allowed_prob[:, border_mask] # [B, N_border_pixels]
|
||
|
||
# 损失为 -log(allowed_prob)
|
||
loss = 1 - border_allowed_prob.mean()
|
||
|
||
return loss
|
||
|
||
def internal_wall_loss(logits, probs, wall_class=1, threshold=2.5):
|
||
"""
|
||
针对内部区域（排除最外圈）设计的损失函数：
|
||
当内部任意 2×2 区域的 wall 类别概率之和超过阈值时，施加惩罚。
|
||
|
||
参数:
|
||
logits: 模型输出，形状 [B, C, H, W]
|
||
wall_class: 对应墙壁的类别索引（这里假设墙壁数字为1）
|
||
threshold: 2×2 区域概率之和的阈值，超过此值时施加惩罚。可根据实际情况调节。
|
||
|
||
返回:
|
||
loss: 内部墙壁连续区域的平均惩罚损失
|
||
"""
|
||
# 取出对应墙壁类别的概率图 [B, H, W]
|
||
wall_probs = probs[:, wall_class, :, :]
|
||
|
||
# 排除最外圈，取内部区域 (H, W 均减去2)
|
||
interior = wall_probs[:, 1:-1, 1:-1] # [B, H-2, W-2]
|
||
|
||
# 构造一个 2×2 的卷积核，全为 1，用于检测局部连续墙壁的概率之和
|
||
kernel = torch.ones((1, 1, 2, 2), device=logits.device)
|
||
|
||
# 对内部区域进行卷积操作，计算每个 2×2 区域内的概率和
|
||
# 需要将 interior 扩展一个通道维度
|
||
conv_result = F.conv2d(interior.unsqueeze(1), kernel, stride=1, padding=0)
|
||
# conv_result 的形状为 [B, 1, H-3, W-3]
|
||
|
||
# 对于每个 2×2 区域，如果概率和超过 threshold，则产生惩罚
|
||
# 这里采用 ReLU 计算超出部分，确保损失为非负
|
||
penalty = F.relu(conv_result - threshold)
|
||
|
||
# 取平均作为损失值
|
||
loss = penalty.mean()
|
||
return loss
|
||
|
||
def entrance_loss(logits, probs, stairs_class=10, arrow_class=11):
|
||
"""
|
||
针对地图生成的额外约束损失：
|
||
- 保证最外圈不出现楼梯类型入口（数字10）
|
||
- 保证内部区域不出现箭头类型入口（数字11）
|
||
|
||
参数:
|
||
logits: 模型输出，形状 [B, C, H, W]
|
||
stairs_class: 楼梯入口对应的类别（数字10）
|
||
arrow_class: 箭头入口对应的类别（数字11）
|
||
|
||
返回:
|
||
loss: 针对入口出现的惩罚损失
|
||
"""
|
||
# 先将 logits 转为概率分布
|
||
B, C, H, W = logits.shape
|
||
|
||
# 构造最外圈 mask：外圈为 True，其余为 False
|
||
outer_mask = torch.zeros((H, W), dtype=torch.bool, device=logits.device)
|
||
outer_mask[0, :] = True
|
||
outer_mask[-1, :] = True
|
||
outer_mask[:, 0] = True
|
||
outer_mask[:, -1] = True
|
||
|
||
# 内部区域 mask
|
||
interior_mask = ~outer_mask # 取反
|
||
|
||
# 提取对应类别的概率图
|
||
stairs_probs = probs[:, stairs_class, :, :] # 楼梯概率 [B, H, W]
|
||
arrow_probs = probs[:, arrow_class, :, :] # 箭头概率 [B, H, W]
|
||
|
||
# 从最外圈提取楼梯概率；用 mask 索引时：张量[:, mask] 会将每个样本的外圈像素展平
|
||
outer_stairs = stairs_probs[:, outer_mask] # [B, num_outer_pixels]
|
||
# 从内部区域提取箭头概率
|
||
interior_arrow = arrow_probs[:, interior_mask] # [B, num_interior_pixels]
|
||
|
||
# 损失设计：使得这些概率尽量接近 0，直接使用均值惩罚
|
||
outer_loss = outer_stairs.mean()
|
||
interior_loss = interior_arrow.mean()
|
||
|
||
total_loss = outer_loss + interior_loss
|
||
return total_loss
|
||
|
||
def entrance_distance_and_presence_loss(
|
||
logits, probs,
|
||
arrow_class=11, stairs_class=10,
|
||
arrow_min_threshold=0.5, stairs_min_threshold=0.5,
|
||
lambda_arrow_presence=1.0, lambda_stairs_presence=1.0
|
||
):
|
||
"""
|
||
入口损失同时考虑：
|
||
1. 局部距离约束：防止同一类型入口过于靠近
|
||
2. 存在性约束：鼓励至少放置一个入口
|
||
|
||
箭头入口要求局部 (9x9) 内最多只有一个入口；
|
||
楼梯入口要求在一个窗口（地图尺寸一半）内只出现一个楼梯入口。
|
||
|
||
参数:
|
||
logits: 模型输出, shape [B, C, H, W]
|
||
arrow_class: 箭头入口类别（默认 11）
|
||
stairs_class: 楼梯入口类别（默认 10）
|
||
arrow_min_threshold: 箭头入口全局最小平均概率要求（可根据任务调节）
|
||
stairs_min_threshold: 楼梯入口全局最小平均概率要求
|
||
lambda_arrow_presence: 箭头入口存在性损失权重
|
||
lambda_stairs_presence: 楼梯入口存在性损失权重
|
||
返回:
|
||
total_loss: 综合入口距离与存在性损失
|
||
"""
|
||
# 将 logits 转换为概率分布
|
||
probs = F.softmax(logits, dim=1) # [B, C, H, W]
|
||
B, C, H, W = logits.shape
|
||
|
||
# 提取箭头和楼梯的概率图
|
||
arrow_probs = probs[:, arrow_class, :, :] # [B, H, W]
|
||
stairs_probs = probs[:, stairs_class, :, :] # [B, H, W]
|
||
|
||
#### 局部距离约束 ####
|
||
# 箭头：构造 9x9 卷积核，半径 4
|
||
kernel_arrow = torch.ones((1, 1, 9, 9), device=logits.device)
|
||
local_arrow_sum = F.conv2d(arrow_probs.unsqueeze(1), kernel_arrow, padding=4)
|
||
# 减去自身概率，计算多余的局部累积
|
||
arrow_excess = local_arrow_sum - arrow_probs.unsqueeze(1)
|
||
arrow_distance_loss = F.relu(arrow_excess).mean()
|
||
|
||
# 楼梯：使用窗口大小为 (W//2, H//2)
|
||
kernel_size_stairs = (max(1, W // 2), max(1, H // 2))
|
||
kernel_stairs = torch.ones((1, 1, kernel_size_stairs[0], kernel_size_stairs[1]), device=logits.device)
|
||
pad_stairs = (kernel_size_stairs[0] // 2, kernel_size_stairs[1] // 2)
|
||
local_stairs_sum = F.conv2d(stairs_probs.unsqueeze(1), kernel_stairs, padding=pad_stairs)
|
||
stairs_excess = local_stairs_sum - stairs_probs.unsqueeze(1)
|
||
stairs_distance_loss = F.relu(stairs_excess).mean()
|
||
|
||
#### 存在性约束 ####
|
||
# 计算每个样本中箭头的最大概率
|
||
global_arrow_max = arrow_probs.view(B, -1).max(dim=1)[0] # [B]
|
||
global_stairs_max = stairs_probs.view(B, -1).max(dim=1)[0] # [B]
|
||
|
||
# 取 batch 平均（或者你可以对每个样本分别计算损失再求平均）
|
||
global_arrow_max = global_arrow_max.mean()
|
||
global_stairs_max = global_stairs_max.mean()
|
||
|
||
# 如果全局均值低于预期阈值，则施加额外惩罚
|
||
arrow_presence_loss = F.relu(arrow_min_threshold - global_arrow_max)
|
||
stairs_presence_loss = F.relu(stairs_min_threshold - global_stairs_max)
|
||
|
||
ap_weighted = lambda_arrow_presence * arrow_presence_loss
|
||
sp_weighted = lambda_stairs_presence * stairs_presence_loss
|
||
|
||
# 总入口损失：局部距离约束 + 存在性约束（加权）
|
||
total_loss = arrow_distance_loss + stairs_distance_loss \
|
||
+ min(ap_weighted, sp_weighted)
|
||
return total_loss
|
||
|
||
def monster_consecutive_loss(logits, probs, monster_classes=[7,8,9], threshold=2.9):
|
||
"""
|
||
检查横向和纵向是否存在连续超过三个的怪物（类别 7,8,9）。
|
||
|
||
参数:
|
||
logits: 模型输出，形状 [B, C, H, W]
|
||
monster_classes: 待检测的怪物类别列表
|
||
threshold: 滑动窗口内概率和的阈值，若超过则施加惩罚
|
||
（对于连续三个像素，如果每个像素概率接近 1，则窗口和接近 3）
|
||
|
||
返回:
|
||
loss: 惩罚损失（数值越高表示连续怪物区域越严重）
|
||
"""
|
||
# 将 logits 转换为概率分布
|
||
B, C, H, W = logits.shape
|
||
|
||
# 得到怪物整体概率图：将类别 7,8,9 的概率相加
|
||
monster_probs = probs[:, monster_classes, :].sum(dim=1) # [B, H, W]
|
||
|
||
# 注意：monster_probs 越高说明该像素更有可能是怪物
|
||
|
||
# --- 横向检测 ---
|
||
# 构造一个 (1,3) 的卷积核，全 1
|
||
kernel_horiz = torch.ones((1, 1, 1, 3), device=logits.device)
|
||
# 对 monster_probs 加一个 channel 维度，使形状为 [B, 1, H, W]
|
||
conv_horiz = F.conv2d(monster_probs.unsqueeze(1), kernel_horiz, padding=(0,1))
|
||
# conv_horiz 的每个值表示相邻三个像素的怪物概率和
|
||
|
||
# --- 纵向检测 ---
|
||
# 构造一个 (3,1) 的卷积核，全 1
|
||
kernel_vert = torch.ones((1, 1, 3, 1), device=logits.device)
|
||
conv_vert = F.conv2d(monster_probs.unsqueeze(1), kernel_vert, padding=(1,0))
|
||
# conv_vert 的每个值表示垂直连续三个像素的怪物概率和
|
||
|
||
# 对两个方向的窗口，如果概率和超过阈值，则计算超出部分的惩罚
|
||
penalty_horiz = F.relu(conv_horiz - threshold)
|
||
penalty_vert = F.relu(conv_vert - threshold)
|
||
|
||
# 将两个方向的惩罚损失取平均（或者直接相加）
|
||
loss = penalty_horiz.mean() + penalty_vert.mean()
|
||
return loss
|
||
|
||
def illegal_block_loss(logits ,probs, used_classes=12, mode='mean'):
|
||
"""
|
||
对未使用类别（例如 12 ~ 31）的预测概率施加惩罚，
|
||
鼓励模型输出仅集中在 0 ~ 11 上。
|
||
|
||
参数:
|
||
logits: 模型输出，形状 [B, num_classes, H, W]
|
||
used_classes: 已经使用的类别数（例如 12 表示只使用 0-11）
|
||
mode: 'mean' 使用平均概率，或 'mse' 使用均方误差
|
||
|
||
返回:
|
||
penalty: 标量惩罚损失
|
||
"""
|
||
# 选取非法类别的概率（注意：这一步会得到非法图块在每个像素上的概率）
|
||
illegal_probs = probs[:, range(used_classes, 32), :, :] # [B, len(illegal_classes), H, W]
|
||
|
||
# 我们可以将非法图块的概率在类别维度上求和，得到每个像素的非法激活值
|
||
illegal_activation = illegal_probs.sum(dim=1) # [B, H, W]
|
||
|
||
# 接下来我们计算整个图上非法激活的“数量”
|
||
# 例如，可以直接对整个 batch 内非法激活求和
|
||
total_illegal = illegal_activation.sum() # 标量
|
||
|
||
# 计算损失值：使用负指数函数。注意如果非法激活很小，总损失接近 exp(0)=1
|
||
loss = torch.sqrt(total_illegal)
|
||
return loss
|
||
|
||
def integrated_count_loss(probs, target, class_list=[0,1,2,3,4,5,6,7,8,9], tolerance=0.5):
|
||
"""
|
||
对每个类别分别计算数量匹配损失，再取平均。
|
||
|
||
参数:
|
||
probs: 模型输出的概率，形状 [B, num_classes, H, W]
|
||
target: 真实标签，形状 [B, H, W]，类别取值在 0 ~ 使用范围-1 内
|
||
class_list: 需要计算的类别列表
|
||
tolerance: 每个类别允许的相对误差（例如 0.15 表示 15%）
|
||
|
||
返回:
|
||
loss: 对每个类别数量匹配损失取平均后的标量
|
||
"""
|
||
total_loss = 0.0
|
||
count = 0
|
||
B, C, H, W = probs.shape
|
||
|
||
for cls in class_list:
|
||
# 预测数量：对于当前类别，所有像素的预测概率和
|
||
pred_count = probs[:, cls, :, :].sum()
|
||
# 真实数量：统计 target 中属于当前类别的像素数量
|
||
true_count = (target == cls).float().sum()
|
||
|
||
if true_count == 0:
|
||
# 参考地图中不包含该类别，允许最多出现 (sqrt(地图尺寸) / 2) 个单位的概率输出
|
||
cls_loss = F.relu(pred_count - math.sqrt(H * W) / 2)
|
||
else:
|
||
# 计算相对误差
|
||
rel_error = torch.abs(pred_count - true_count) / (true_count)
|
||
cls_loss = F.relu(rel_error - tolerance)
|
||
|
||
total_loss += cls_loss
|
||
count += 1
|
||
|
||
# 求平均每个类别的损失
|
||
avg_loss = total_loss / count
|
||
return avg_loss
|
||
|
||
class GinkaLoss(nn.Module):
|
||
def __init__(self, weight=[0.35, 0.1, 0.1, 0.1, 0.1, 0.05, 0.1, 0.1]):
|
||
"""Ginka Model 损失函数部分
|
||
|
||
Args:
|
||
weight (list, optional): 每一个损失函数的权重，从第 0 项开始，依次是：
|
||
1. 拓扑图损失
|
||
2. 外圈墙壁损失
|
||
3. 内层 2*2 墙壁损失
|
||
4. 要求外层只能有箭头，内层只能有楼梯的损失
|
||
5. 入口间距及存在性损失
|
||
6. 连续怪物损失
|
||
7. 非法图块损失
|
||
8. 怪物、道具、门数量损失
|
||
"""
|
||
super().__init__()
|
||
self.weight = weight
|
||
self.dice = L.DiceLoss(mode='multiclass')
|
||
self.ce = nn.CrossEntropyLoss()
|
||
|
||
def forward(self, pred, target):
|
||
probs = F.softmax(pred, dim=1)
|
||
# 拓扑结构损失
|
||
# structure_loss = topology_loss(pred, target)
|
||
# 地图结构损失
|
||
border_loss = wall_border_loss(pred, probs)
|
||
wall_loss = internal_wall_loss(pred, probs)
|
||
entry_loss = entrance_loss(pred, probs)
|
||
entry_dis_loss = entrance_distance_and_presence_loss(pred, probs)
|
||
enemy_loss = monster_consecutive_loss(pred, probs)
|
||
valid_block_loss = illegal_block_loss(pred, probs, used_classes=12, mode="mean")
|
||
count_loss = integrated_count_loss(probs, target)
|
||
|
||
print(
|
||
# structure_loss.item(),
|
||
border_loss.item(),
|
||
wall_loss.item(),
|
||
entry_loss.item(),
|
||
entry_dis_loss.item(),
|
||
enemy_loss.item(),
|
||
valid_block_loss.item(),
|
||
count_loss.item()
|
||
)
|
||
|
||
return (
|
||
# structure_loss * self.weight[0] +
|
||
border_loss * self.weight[1] +
|
||
wall_loss * self.weight[2] +
|
||
entry_loss * self.weight[3] +
|
||
entry_dis_loss * self.weight[4] +
|
||
enemy_loss * self.weight[5] +
|
||
valid_block_loss * self.weight[6] +
|
||
count_loss * self.weight[7]
|
||
) |