caffe 加权交叉熵损失函数层（weighted sigmoid_cross_entropy_loss_layer）添加方法

用卷积神经网络实现边缘检测的论文”Holistically-Nested Edge Detection”中使用了加权交叉熵损失函数（sigmoid_cross_entropy_loss_layer），因为在边缘检测中正样本（边缘）相对于负样本（非边缘）来讲，数量是很少的，如果对正负样本的损失乘以同样的权重系数，那么网络就会把所有的像素都预测成负样本（因为正样本的数目很少，所以都预测为负样本的话，总的损失也会很小），而这是我们不想看到的，所以需要给正样本的损失加上一定的权重，当正样本分类错误的时候，乘以一个很大的权重，造成总的损失会很大。当负样本分类错的时候，乘以一个很小的权重（e.g. 1），但是由于负样本的总数比较多，所以总的损失也是符合实际情况的。
先补上上面论文的地址：https://www.cv-foundation.org/openaccess/content_iccv_2015/papers/Xie_Holistically-Nested_Edge_Detection_ICCV_2015_paper.pdf
caffe代码：https://github.com/s9xie/hed
论文中交叉熵损失函数定义为&#