给我CE loss和dice loss的详细介绍和公式解释

CE loss（Cross-Entropy loss）是分类任务中常用的损失函数，它是一种衡量预测概率分布与真实标签概率分布之间交叉熵的度量。具体而言，对于一个有n个类别的分类问题，假设真实标签为one-hot向量y，预测的概率分布为p，则CE loss的计算公式为：

$CE(p, y) = -\sum_{i=1}^{n} y_i log(p_i)$

其中，$p_i$表示预测为第i类的概率，$y_i$表示第i类是否为真实标签。

CE loss可以有效地衡量预测概率分布与真实标签的差异，因此在训练分类模型时被广泛使用。

Dice loss是一种广泛应用于图像分割任务中的损失函数，它是一种衡量预测分割结果与真实标签之间重叠度的度量。具体而言，对于一个二分类问题，假设真实标签为二值图像y，预测的分割结果为二值图像p，则Dice loss的计算公式为：

$Dice(p, y) = \frac{2\sum_{i=1}^{N}p_i y_i + \epsilon}{\sum_{i=1}^{N}p_i + \sum_{i=1}^{N}y_i + \epsilon}$

其中，$p_i$表示预测分割结果中第i个像素是否属于正类，$y_i$表示真实标签中第i个像素是否属于正类，$\epsilon$为平滑系数，用于避免分母为0的情况。

Dice loss可以有效地衡量预测分割结果与真实标签之间的重叠度，因此在图像分割任务中被广泛使用，尤其在处理类别不平衡的情况时具有优势。