如果解决长尾数据（样本不均衡）

最近突然高产，苦逼的秋招开始了，哭哭
有几种已经常用的方法：

1. 过采样和重采样
2. 每个Batch对每类样本设置比例，保证在一个Batch里是相对均衡的

以上这些的缺点很明显：对于大样本采样过少，会导致某张图片只训练了一次，这样使得大样本训练不好，导致整体的正确率都会下降，并且小样本会过拟合。

3. focal loss（多用于检测中二分类，不是严格意义上的长尾数据）
   这里介绍一下focal loss，他的目的在于通过减少易分类样本的权重，从而使得模型在训练时更专注于难分类的样本，他是在CE loss上做的修改。
   假设一个二分类，样本x1属于类别1的pt=0.9，样本x2属于类别1的pt=0.6，显然前者更可能是类别1，假设γ=1，那么对于pt=0.9，调制系数则为0.1；对于pt=0.6，调制系数则为0.4，这个调制系数就是这个样本对loss的贡献程度，也就是权重，所以难分的样本（pt=0.6）的权重更大。Figure1中γ=0的蓝色曲线就是标准的交叉熵损失。
   
   一般而言当$\gamma$增加的时候，a需要减小一点（实验中$\gamma$=2，a=0.25的效果最好）
   但是这里有坑一定要多注意： focal loss多用于检测，在正样本和负样本比例1:1000的情况下比较有效，对于一般的样本不均衡其实效果不大，对于 easy sample dominant有作用，这两个问题并不等价。用这个loss预测出得概率都会比较低一点。若$\gamma$过大时，可以理解其实对小样本过于over fit，这样效果也不好，所以这是为什么在机器学习里，对于小样本尽可能使用插值法构建新样本，也不会用小样本反复训练。
4. loss reweight 一篇新出的CVPR，目前实验表示有效：Class-Balanced Loss Based on Effective Number of Samples

下面来介绍这篇文章

如果对loss不加约束的话，大样本数据占主导，影响小样本，如果加约束的话，则会大大压缩大样本数据的训练，所以要找到一个中和的约束方法。这个模型想要可以区别major class和minor class，他的操作是在loss里面添加了一个和有效样本数量成反比的类平衡加权项。论文有两点贡献：

1. 提供一种可以学习有效样本数量的方案来设计模型
2. 提供了如何在sigmoid CE loss，softmax CE loss，focal loss上进行修改，并且通过实验验证提升

他引申出每个类都存在一个容量为$N$的特征空间$S$，那么每一群数量为$n$的样例都存在一个有效样本数量$E_n$，手推了一下


En的渐近性质表明，当N较大时，有效样本数与样本数N相同。在这种情况下，我们认为唯一原型数N较大，因此没有数据重叠，每个样本都是唯一的。在另一个极端࿰