mindspore.nn.FocalLoss

查看源文件
class mindspore.nn.FocalLoss(weight=None, gamma=2.0, reduction='mean')[源代码]

FocalLoss函数解决了类别不平衡的问题。

FocalLoss函数由Kaiming团队在论文 Focal Loss for Dense Object Detection 中提出,提高了图像目标检测的效果。

函数如下:

FL(pt)=(1pt)γlog(pt)
参数:
  • gamma (float) - gamma用于调整Focal Loss的权重曲线的陡峭程度。默认值: 2.0

  • weight (Union[Tensor, None]) - Focal Loss的权重,维度为1。如果为None,则不使用权重。默认值: None

  • reduction (str,可选) - 指定应用于输出结果的规约计算方式,可选 'none''mean''sum' ,默认值: 'mean'

    • 'none':不应用规约方法。

    • 'mean':计算输出元素的加权平均值。

    • 'sum':计算输出元素的总和。

输入:
  • logits (Tensor) - shape为 (N,C)(N,C,H) 、或 (N,C,H,W) 的Tensor,其中 C 是分类的数量,值大于1。如果shape为 (N,C,H,W)(N,C,H) ,则 HHW 的乘积应与 labels 的相同。

  • labels (Tensor) - shape为 (N,C)(N,C,H) 、或 (N,C,H,W) 的Tensor, C 的值为1,或者与 logitsC 相同。如果 C 不为1,则shape应与 logits 的shape相同,其中 C 是分类的数量。如果shape为 (N,C,H,W)(N,C,H) ,则 HHW 的乘积应与 logits 相同。 labels 的值应该在 [-C, C)范围内,其中 C 是logits中类的数量。

输出:

Tensor或Scalar,如果 reduction 为"none",其shape与 logits 相同。否则,将返回Scalar。

异常:
  • TypeError - gamma 的数据类型不是float。

  • TypeError - weight 不是Tensor。

  • ValueError - labels 维度与 logits 不同。

  • ValueError - labels 通道不为1,且 labels 的shape与 logits 不同。

  • ValueError - reduction 不为 'mean''sum' ,或 'none'

支持平台:

Ascend

样例:

>>> import mindspore as ms
>>> import mindspore.nn as nn
>>> logits = ms.Tensor([[0.8, 1.4], [0.5, 0.9], [1.2, 0.9]], ms.float32)
>>> labels = ms.Tensor([[1], [1], [0]], ms.int32)
>>> focalloss = nn.FocalLoss(weight=ms.Tensor([1, 2]), gamma=2.0, reduction='mean')
>>> output = focalloss(logits, labels)
>>> print(output)
0.12516622