一文读懂Focal Loss及Pytorch代码(详细注释)

广告位：

图像拼接论文精读专栏 —— 图像拼接领域论文全覆盖（包含数据集），省时省力读论文，带你理解晦涩难懂的论文算法，学习零散的知识和数学原理，并学会写图像拼接领域的论文（介绍、相关工作、算法、实验、结论、并附有参考文献，不用一篇一篇文章再找）

图像拼接论文源码精读专栏 —— 图像拼接有源码的论文全覆盖（有的自己复现），帮助你通过源码进一步理解论文算法，助你做实验，跑出拼接结果，得到评价指标RMSE、SSIM、PSNR等，并寻找潜在创新点和改进提升思路。

超分辨率重建专栏 —— 从SRCNN开始，带你读论文，写代码，复现结果，找创新点，完成论文。手把手教，保姆级攻略。帮助你顺利毕业，熟练掌握超分技术。

有需要的同学可以点上面链接看看。

---

---

前言

Focal Loss及RetinaNet原理见另一篇文章：【论文精读】Focal Loss for Dense Object Detection（RetinaNet）全文翻译及重点总结

本文介绍Focal Loss以及其Pytorch实现。

---

Focal Loss详解

直接上公式：
$$FL(p_t)=-{\alpha }_t(1-p_t{)}^{\gamma }log(p_t)$$
其中:
$$p_t=\{\begin{array}{ll}p,& ify=1\\ 1-p,& otherwise\end{array}$$
交叉熵损失：
$$CE(p_t)=-log(p_t)$$

• $p_t$是类别(t个不同类别)概率(多分类就是softmax的结果)，衡量样本难易程度，如果$p_t$较大则是简单样本，较小则是困难样本；
• ${\alpha }_t$是调节类别权重因子，它的值为第一类正样本权重，RetinaNet中设置为0.25，由于正样本远少于负样本，所以这样设置，让正样本的权重低，负样本权重为0.75；
• $\gamma$是调节难易样本的权重因子，让模型快速关注困难样本。RetinaNet中设为2；
• $(1-p_t{)}^{\gamma }$整体控制损失大小，因为$\gamma =2$，所以$p_t\to 0$时，loss大；$p_t\to 1$时，loss小；这样合理的权重分配可以让模型更好的学习训练；
• 当$\alpha =1,\gamma =0$时，FL就变成了CE。所以在复现的时候提供了一个思路，那就是定义前面两个权重因子，再乘上CE就得到了FL，$p_t$是softmax的结果，那么$log(p_t)$就是log_softmax的结果。

---

实现思路

定义focal_loss类:

1.参数定义：alpha，gamma，num_classes等，应用到目标检测中可能还需要anchors等参数。

2.forward：focalloss是由CE乘以因子组成的，而CE是由NLL和log_softmax组成的。所以，先实现NLL和log_softmax，然后一步一步通过公式实现focal loss，主要是Tensor的变换。

3.输入参数设计：输入张量是[B,N,C]或[B,C]，其中B是批量，N是预测框数量，C是类别数；[B,C]就是单纯的分类问题。真实标签是[B,N]或[B]，总的标签数，如果是目标检测中则标签数就是B*N。

---

Focal Loss类的代码

from torch import nn
import torch
from torch.nn import functional as F

class focal_loss(nn.Module):
    def __init__(self, alpha=0.25, gamma=2, num_classes = 5, size_average=True):
        """
        focal_loss损失函数, -α(1-yi)**γ *ce_loss(xi,yi)
        步骤详细的实现了 focal_loss损失函数.
        :param alpha:   阿尔法α,类别权重. 当α是列表时,为各类别权重,当α为常数时,类别权重为[α, 1-α, 1-α, ....],常用于 目标检测算法中抑制背景类 , retainnet中设置为0.255
        :param gamma:   伽马γ,难易样本调节参数. retainnet中设置为2
        :param num_classes:     类别数量
        :param size_average:    损失计算方式,默认取均值
        """
        super(focal_loss,self).__init__()
        self.size_average = size_average
        if isinstance(alpha,list):
            assert len(alpha)==num_classes   # α可以以list方式输入,size:[num_classes] 用于对不同类别精细地赋予权重
            print(" --- Focal_loss alpha = {}, 将对每一类权重进行精细化赋值 --- ".format(alpha))
            self.alpha = torch.Tensor(alpha)
        else:
            assert alpha<1   #如果α为一个常数,则降低第一类的影响,在目标检测中为第一类
            print(" --- Focal_loss alpha = {} ,将对背景类进行衰减,请在目标检测任务中使用 --- ".format(alpha))
            self.alpha = torch.zeros(num_classes)
            self.alpha[0] += alpha
            self.alpha[1:] += (1-alpha) # α 最终为 [ α, 1-α, 1-α, 1-α, 1-α, ...] size:[num_classes]

        self.gamma = gamma

    def forward(self, preds, labels):
        """
        focal_loss损失计算
        :param preds:   预测类别. size:[B,N,C] or [B,C]    分别对应与检测与分类任务, B批次, N检测框数, C类别数
        :param labels:  实际类别. size:[B,N] or [B]        [B*N个标签(假设框中有目标)]，[B个标签]
        :return:
        """
                
        #固定类别维度，其余合并(总检测框数或总批次数)，preds.size(-1)是最后一个维度
        preds = preds.view(-1,preds.size(-1))
        self.alpha = self.alpha.to(preds.device)
        
        #使用log_softmax解决溢出问题，方便交叉熵计算而不用考虑值域
        preds_logsoft = F.log_softmax(preds, dim=1) 
        
     	#log_softmax是softmax+log运算，那再exp就算回去了变成softmax
        preds_softmax = torch.exp(preds_logsoft)    
   
        # 这部分实现nll_loss ( crossentropy = log_softmax + nll)
        preds_softmax = preds_softmax.gather(1,labels.view(-1,1)) 
        preds_logsoft = preds_logsoft.gather(1,labels.view(-1,1))

        self.alpha = self.alpha.gather(0,labels.view(-1))

        # torch.pow((1-preds_softmax), self.gamma) 为focal loss中 (1-pt)**γ
        
        #torch.mul 矩阵对应位置相乘，大小一致
        loss = -torch.mul(torch.pow((1-preds_softmax), self.gamma), preds_logsoft) 
    
        #torch.t()求转置
        loss = torch.mul(self.alpha, loss.t())
        #print(loss.size()) [1,5]
        
        if self.size_average:
            loss = loss.mean()
        else:
            loss = loss.sum()
       
        return loss

注：根据自己需要修改num_classes的值

---

具体流程分析代码

先简单一点测试一下图片分类：

假设有三张图片，分类类别一共五类，三张图片的真实类别类别数分别为2，3，4

torch.manual_seed(50)
preds = torch.randn((3,5))
#preds = torch.randn((3,10,5))
print(preds)
preds = preds.view(-1,preds.size(-1))
print(preds.size())

labels = torch.tensor([2,3,4])
#labels = torch.tensor([2,3,4]*10)

print(labels.view(-1))
print(labels.view(-1,1))

看一下各张量值以及size()后面会用到：

计算log_softmax以及softmax:

preds_logsoft = F.log_softmax(preds, dim=1) # log_softmax
print(preds_logsoft)
preds_softmax = torch.exp(preds_logsoft)
print(preds_softmax)

结果：

从中取得每个图片分别在2，3，4类别的预测值：如何取得可见另一篇文章详解。

preds_logsoft = preds_logsoft.gather(1,labels.view(-1,1))
print(preds_logsoft)    
preds_softmax = preds_softmax.gather(1,labels.view(-1,1)) 
print(preds_softmax)   

结果：

计算loss并转置：gamma取2

a = torch.pow((1-preds_softmax), 2)
loss = -torch.mul(torch.pow((1-preds_softmax), 2), preds_logsoft) 
print(loss.t())
print(loss.t().size())

结果：

初始化alpha权重，并得到所需label的alpha权重

alpha = torch.tensor([0.25,0.75,0.75,0.75,0.75])
alpha = alpha.gather(0,labels.view(-1))
alpha

结果：

乘以alpha并求平均得到最终的focal loss

loss = torch.mul(alpha, loss.t())
loss = loss.mean()
loss

得到focal loss为：

PS：若要加入检测框数量，输入采用代码中注释的部分，本例中是假设每张图片有10个检测框(正样本)，则总标签个数就是30个，相应地改变标签张量为30个元素即可。

---

Focal Loss(FL)与CrossEntropy(CE)对比：

criterion = focal_loss()
loss = criterion(preds, labels)
print("FL   loss",loss)
a=F.cross_entropy(preds, labels)
#a=nn.CrossEntropyLoss()
#a = a(preds,labels)
print('CE   loss',a)

结果说明FL比CE的损失低，效果好

---

总结

1. focal loss在目标检测中预测类别时使用，是分类子网下的损失。
2. 先log_softmax再取exp得到的softmax各类别之和不是严格为1。
3. F.cross_entropy和nn.CrossEntropyLoss相同。
4. gather函数详解见【Pytorch小知识】torch.gather()函数的用法及在Focal Loss中的应用(详细易懂)
5. 可以根据分类或检测类别中的目标多少来自定义alpha的权重。测试代码见资源(资源链接)

没有硬件条件，需要云服务的同学可以扫码看看：