当前位置：首页 > news >正文

济南做网站的公司成都市建设二维码检测网站

news 2025/10/14 12:26:01

济南做网站的公司,成都市建设二维码检测网站,国外图片网站源码,网站规划与设计大作业🎯 Focal Loss 深度讲解 🧠 一、直观动机：为什么要 Focal Loss？ 传统的 CrossEntropy Loss（交叉熵） 是分类任务的默认选择，它关注的是模型预测正确标签的概率（越高越好）…

🎯 Focal Loss 深度讲解

🧠 一、直观动机：为什么要 Focal Loss？

传统的 CrossEntropy Loss（交叉熵） 是分类任务的默认选择，它关注的是模型预测正确标签的概率（越高越好）。公式如下：

$\text{CE}(p_t) = -\log(p_t)$

如果预测得好（ $p_t \to 1$ ），损失就很小
如果预测得差（ $p_t \to 0$ ），损失就很大

问题来了：
在很多实际场景里，比如目标检测、语义分割、医学图像，存在严重的类别不平衡现象：

正类样本（比如肿瘤区域、小目标）非常稀少
背景类（负类）大量存在，且模型很容易把它分类正确

这导致了什么？

✅ 模型很快学会把大多数都预测成“背景”就能拿到很小的 loss
❌ 正类样本虽然难，但数量少，对 loss 的贡献低，模型懒得理它！

我们要的是什么？

专注于难样本、忽略容易的样本！

这正是 Focal Loss 的使命。

🧮 二、Focal Loss 的数学表达式和直觉解释

⭐ 标准交叉熵（二分类）：

$\text{CE}(p_t) = -\log(p_t)$

其中：

$p_t = p$ if label is 1
$p_t = 1 - p$ if label is 0

⭐ Focal Loss：

$\text{FL}(p_t) = -\alpha_t (1 - p_t)^\gamma \log(p_t)$

参数含义：

$p_t$ ：模型对正确类的预测概率
$\alpha_t$ ：类别平衡系数
$\gamma$ ：focusing parameter，用来衰减简单样本的贡献

🔍 三个部分的直觉理解：

$log(p_t)$ ：就是交叉熵，衡量你预测的好不好
$p_t)^\gamma$ ：
- 当 $p_t$ 很大（预测正确），这个因子趋近于 0 → loss 减小
- 当 $p_t$ 很小（预测错误），这个因子接近 1 → 保留大 loss
  → 关注难样本，忽略易样本！
$\alpha_t$ ：用于调节类别之间的权重（比如正样本少，那正样本的 $\alpha$ 设大点）

🔢 三、PyTorch 实现（二分类）

import torch
import torch.nn as nn
import torch.nn.functional as Fclass FocalLoss(nn.Module):def __init__(self, alpha=0.25, gamma=2.0, reduction='mean'):super(FocalLoss, self).__init__()self.alpha = alphaself.gamma = gammaself.reduction = reductiondef forward(self, inputs, targets):# inputs: [B, 1] or [B], logits# targets: [B], 0 or 1BCE_loss = F.binary_cross_entropy_with_logits(inputs, targets, reduction='none')probs = torch.sigmoid(inputs)pt = torch.where(targets == 1, probs, 1 - probs)  # pt = p_tfocal_weight = (1 - pt) ** self.gammaalpha_t = torch.where(targets == 1, self.alpha, 1 - self.alpha)loss = alpha_t * focal_weight * BCE_lossif self.reduction == 'mean':return loss.mean()elif self.reduction == 'sum':return loss.sum()else:return loss

注意：这里 inputs 是 logits，不是 sigmoid 之后的概率！

🧪 四、实际应用场景

应用场景	类别不平衡？	是否适合用 Focal Loss？
目标检测（小目标）	✅严重不平衡	✅ 推荐
医学图像分割（肿瘤）	✅非常不平衡	✅ 强烈推荐
二分类、异常检测任务	✅有时不平衡	✅ 可尝试
多分类图像识别	❌样本相对平衡	❌ 不一定需要

🧩 五、和其他 Loss 的对比

损失函数	适用场景	特点
CrossEntropy	通用	简单直接
Weighted CE	类别不平衡	人为加权正负类，但不能区分难易样本
Dice Loss	图像分割	关注前景 IoU，但不处理类别不平衡
Focal Loss	类别极度不平衡	聚焦难样本，动态调节 loss 大小