focal loss函数曲线-python

最新推荐文章于 2022-09-14 20:50:40 发布

荒月交午

最新推荐文章于 2022-09-14 20:50:40 发布

阅读量1.3k

点赞数 1

分类专栏：机器视觉相关常用脚本文章标签： python 开发语言机器学习

本文链接：https://blog.csdn.net/qq_39680835/article/details/126337672

版权

机器视觉相关常用脚本专栏收录该内容

1 篇文章

订阅专栏

本文探讨了focal loss函数，它通过调节因子(1-pi)γ解决分类任务中难易样本不平衡问题。γ参数影响难样本的权重，α用于平衡正负样本。内容包括focal loss的数学原理，图像展示不同γ值下损失函数的衰减，并给出了Python实现代码。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

focal loss函数

焦点损失函数在原交叉熵损失函数的基础上，添加了一个调制因子（1-pi）γ，可以用来调整在少量困难样本和大部分容易样本间的均衡性。调制因子中γ的表示可调聚焦参数。此外，α为平衡因子，用以均衡正负样本本身的数量比例。焦点损失函数的计算方式如下所示：
focal loss
当预测值越接近样本真值时，pi的值趋近于1(即样本为简单样本)，而调制因子趋于0，不会影响损失权值的变化。当发生误分类时，pi的值比较小(即样本为难样本)，调制因子趋近于1，会减小损失的权重值。而交叉熵损失函数可以看作焦点损失函数的一种特例，即平衡程度为零的损失函数。

focal loss图像

不同γ值下的损失衰减如图所示
在这里插入图片描述

focal loss代码

# coding:utf-8

import matplotlib.pyplot as plt
import numpy as np
from numpy.lib.scimath import logn
from math import e
import matplotlib as mpl

# 防止中文乱码问题
mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = False

mpl.rcParams['figure.figsize'] = [9, 8]  # for square canvas
x = np.arange(0, 1, 0.01)  # 创建100个0到6之间的等比数列

# plt.plot(x,np.log(x)/np.log(0.5),'y-', linewidth=2, label=u'log0.5(x)')#log0.5(x)
plt.plot(x, -logn(e, x), 'b-', linewidth=2, label=u'γ= 0')  # loge(x)
plt.plot(x, -logn(e, x) * (1 - x), 'r-', linewidth=2, label=u'γ= 1')
plt.plot(x, -logn(e, x) * pow((1 - x), 2), 'g-', linewidth=2, label=u'γ= 2')
plt.plot(x, -logn(e, x) * pow((1 - x), 3), 'y-', linewidth=2, label=u'γ= 3')
plt.plot(x, -logn(e, x) * pow((1 - x), 4), 'c-', linewidth=2, label=u'γ= 4')
# plt.plot(x,np.log(x)/np.log(5))
# plt.plot(x,logn(5,x),'g-',linewidth=2, label=u'loge(x)') #等于求log5(X)
# plt.plot(x,np.log10(x),'r-',linewidth=2, label=u'loge(x)')#log10(x)

plt.axis([0, 1, 0, 5.])  # 指定画图板的长宽

plt.xticks(size=20)
plt.yticks(size=20)

plt.ylabel("loss", fontdict={'weight': 'normal', 'size': 20})
plt.xlabel("pt", fontdict={'weight': 'normal', 'size': 20})
plt.legend(loc='upper right', prop={'size': 20})  # 图例的位置
# plt.grid(True)#需要网格
plt.show()