pytorch 15 模型性能分析，从loss出发到具体数据（以语义分割为例，实现深度学习中的手工TomeLinks方法）

在一些特殊情况下，通过各类调参方法都无法提升模型的效果。那么则需要对模型的loss进行分析，找出其中导致模型性能下降的数据（异常数据，分类错误数据）。通过不断修正错误数据的方式，可以提升模型的性能。修正错误的分类，消除数据中的混淆对，本质上是一种TomekLinks方法。

TomekLinks是指邻近的两个相反类的例子，在深度学习中可以理解为训练数据中正例与负例混淆的情况。在没有消除TomeLinks数据时，训练模型得出的分类边界如图1左边的荧光色标记所示，弯曲而又负责，同时分类错误的数据还较多。在消除TomeLinks后，数据定义变得更加清晰，训练出的分类边界若图1右边的荧光色标记所示。

那么在深度学习中如何找到TomekLinks对呢？在深度学习中，大部分数据都是图片，在原始数据中寻找出TomekLinks是不切实际的。因此从loss出发，当一个数据的loss值特别大，则可以认定它跟数据集中的另一个数据构成TomekLinks对（也就是异常点），修正loss值大的数据的标签（或