文章目录
- 1. FocalLoss的应用场景
- 2. 二分类场景下FocalLoss原理解释
- 2.1 FocalLoss如何调节正负样本权重
- 2.2 FocalLoss如何调节难易样本权重
- 2.3 整合上述过程,完成FocalLoss
- 2.4 Pytorch 实现FocalLoss
- 3. 多分类场景下的FocalLoss
- 3.1 FocalLoss调节多分类的类别权重
- 3.2 FocalLoss调节多分类难易样本权重
- 3.3 整合上述过程,完成多分类的FocalLoss
- 3.4 Pytorch 实现多分类FocalLoss
1. FocalLoss的应用场景
学一个东西,首先要知道这个东西是干嘛用的。
FocalLoss主要有两个作用,这也决定了它的应用场景:
- FocalLoss可以调节正负样本的loss权重。这意味着,当正负样本数量及其不平衡时,可以考虑使用FocalLoss。
- FocalLoss可以调节难易样本的loss权重。这意味着,当训练样本的难易程度不平衡时,可以考虑使用FocalLoss。
这也是“Focal Loss”的名字的含义,把目光聚焦(Focal)在那些“少的,难的”样本上。
虽然大部分博客讨论FocalLoss都是在目标检测场景下,但其实FocalLoss其他场景下都可以用。
举个NLP的应用场景:
- 当我们在情感分类(好评/差评)时,若99%都是好评,只有1%是差评,就可以考虑使用FocalLoss通过loss来调节数据不平衡问题。
- 情感分类问题有些样本很难,例如:“我家狗吃了你的菜连夜给我做了四菜一汤”。而有些样本很简单,例如“差评,太难吃了”。这种场景下,FocalLoss可以帮助调节难易样本的loss权重,从而更好的学习到难样本的特征。
2. 二分类场景下FocalLoss原理解释
本节会分别讨论FocalLoss是如何实现其两个功能的,然后再进行整合。
2.1 FocalLoss如何调节正负样本权重
二分类问题我们通常使用交叉熵计算Loss,损失函数如下:
其中CE是CrossEntropy的缩写,
是预测结果,例如0.8。
假设我们99%的样本都是负样本,那么最终计算出的loss负样本占比极大。要进行调节,很简单,只需要乘个权重就行了。比如:
我们让正样本和负样本的loss给个9:1的权重就行了。将其0.9写成变量
其中,
2.2 FocalLoss如何调节难易样本权重
当我们在训练二分类问题时,经过sigmoid后最终的输出是0到1的概率,表示为正样本的概率是多少。
那假设标签为1的样本:
- 若预测为为0.95,意味该样本是一个比较简单的样本。
- 若预测值为0.65,意味着该样本稍微有点难
- 若预测值为0.28,意味着该样本非常难。
负样本同理。即 预测值距离真值越远,则样本越难。
难样本想要多学习,那就给它的loss分个较大的权重,简单样本易学习,那就给个较小的权重。那我们可以直接用它的难易程度给它分权重嘛,例如:
假设标签为1的样本:
- 若预测为为0.95,意味该样本是一个比较简单的样本。权重为 (1-0.95) = 0.05
- 若预测值为0.65,意味着该样本稍微有点难。权重为 (1-0.65) = 0.35
- 若预测值为0.28,意味着该样本非常难。权重为 (1-0.28) = 0.72
按照这个思路,我们就可以得到如下损失函数:
这样你可能还不过瘾,你想让简单样本权重更低,难样本权重更高,那么也很简单,只需要加个平方就行了,这样小的会更小,大的会更大。这样我们会得到如下公式:
但你可能会觉得平方太小或太大,那么我们把平方写成超参数
,此时公式就变成了如下:
这样我们就完成了难易样本权重的调节。最后再总结一下参数
:
- 当
- 通常取
2.3 整合上述过程,完成FocalLoss
整合过程很简单,把
和
这样写稍显难看,所以我们定义两个新的变量
和
, 其中:
那么FocalLoss就可以写成如下的最终公式:
这就是FocalLoss的公式。
2.4 Pytorch 实现FocalLoss
3. 多分类场景下的FocalLoss
有了前面二分类的基础,多分类就影刃而解了。
3.1 FocalLoss调节多分类的类别权重
假设我们有个三分类的场景,y=(1, 2, 3),他们的样本数量分别是100个,2000个和10000个。
那么此时我们的
在多分类场景下,我们的
其中
表示有
在大部分博客甚至开源项目上,在多分类问题上
3.2 FocalLoss调节多分类难易样本权重
同样,假设我们有个三分类的场景,y=(1, 2, 3),对于某个样本的预测结果如下:
- 若标签为1,那么构造难易程度的调制因子时只需要考虑
- 若标签为2,同理,调制因子只需要考虑
- ,同时说明这个样本很难。
- 若标签为3,同理。
为了达到上述目的,我们可以使用one-hot向量来把不关心的非标签值给抹去,即:
此时,我们把其与调制因子结合,为
,为:
这里,我们将 one-hot 向量用
表示。这里的
3.3 整合上述过程,完成多分类的FocalLoss
综上所述,在多分类场景下,FocalLoss的公式变成了如下:
这里,
和
的含义与二分类不同,
为一个列表,里面是每个类别的权重。而
是输出的概率分布,
举个实际的例子来看一下该公式:
假设我们有个三分类的场景,y=(1, 2, 3),其中
,
。对于样本
,输出的概率分布为
,,则FocalLoss为:
从上面例子可以看出,因为one-hot的存在,真正对loss起作用的其实只有样本所在的那一行。
因此,我们可以将FocalLoss公式改进为如下:
其中
为当前样本的类别,
表示类别c对应的权重,
3.4 Pytorch 实现多分类FocalLoss