【机器学习】focalloss原理以及pytorch实现

最近在做一个分类项目，发现很多“难样本”比较不好处理又特别重要，想试试FocalLoss。没找到pytorch相关实现，本来想研究pytorch的cross_entropy源码，稍微改一下（怕手残自己写的loss效率比较低），但是发现有点复杂，我的任务比较简单，改那玩意有点累。
我们知道，对于二分类：
$cross\_entropy(y,\hat y) = -ylog^{\hat y}-（1-y）log^{1-\hat y}$
即
$cross\_entropy(y,\hat y) =\begin{cases} -log^{\hat y}& \text{y=1}\\ -log^{1-\hat y}& \text{y=0} \end{cases}$
$\hat y$为模型预测概率

如果有一个正样本，模型预测结果为0.9，loss为-log(0.9)约等于0.046

还有一个正样本，模型预测结果为0.55，loss为-log(0.55)约等于0.260

这个预测为0.55的样本提供的loss是预测为0.9的样本的5.65倍

如果我把公式改成下面这样：
$\gamma=2\\ FocalLoss(y,\hat y) = \begin{cases} -(1-\hat y)^{\gamma}log^{\hat y}& \text{y=1}\\ -\hat y^{\gamma}log^{1-\hat y}& \text{y=0}\\ \end{cases}$
这时如果有一个正样本，模型预测结果为0.9，loss为-0.1*0.1*log(0.9)约等于0.00046

还有一个正样本，模型预测结果为0.55，loss为-0.45*0.45*log(0.55)约等于0.0526

这个预测为0.55的样本提供的loss是预测为0.9的样本的114.35倍

这样就可以让模型更加更加关注“难样本”

另外还可以给正负样本的loss添加权重，让模型更注重正/负样本

上代码：

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

class FocalLoss(nn.Module):
    def __init__(self, device, gamma, alpha):
        super(FocalLoss, self).__init__()
        #self.device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')
        self.device = device
        self.gamma = gamma
        self.alpha = alpha
        
    def forward(self, inputs, targets): 
        if self.device == 'cpu':
            # 计算正负样本权重
            alpha_factor = torch.ones(targets.shape) * self.alpha
            alpha_factor = torch.where(torch.eq(targets, 1), alpha_factor, 1. - alpha_factor)
            # 计算因子项
            focal_weight = torch.where(torch.eq(targets, 1), 1. - inputs, inputs)
            # 得到最终的权重
            focal_weight = alpha_factor * torch.pow(focal_weight, self.gamma)
            targets = targets.type(torch.FloatTensor) 
            # 计算标准交叉熵
            bce = F.binary_cross_entropy(inputs, targets)
            # focal loss 
            cls_loss = focal_weight * bce
        else:
            gpu_targets = targets.cuda()
            gpu_inputs = inputs.cuda()
            alpha_factor = torch.ones(gpu_targets.shape).cuda() * self.alpha
            alpha_factor = torch.where(torch.eq(gpu_targets, 1), alpha_factor, 1. - alpha_factor)
            focal_weight = torch.where(torch.eq(gpu_targets, 1), 1. - gpu_inputs, gpu_inputs)
            focal_weight = alpha_factor * torch.pow(focal_weight, self.gamma)
            targets = targets.type(torch.FloatTensor)
            bce = F.binary_cross_entropy(gpu_inputs, gpu_targets)
            focal_weight = focal_weight.cuda()
            cls_loss = focal_weight * bce

        return cls_loss.sum()

希望能帮助到大家~

pytorch学习笔记 | Focal loss的原理与pytorch实现