文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.nn.FocalLoss

class mindspore.nn.FocalLoss(weight=None, gamma=2.0, reduction='mean')

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：

$$FL(p_t)=-(1-p_t{)}^{\gamma }log(p_t)$$

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) - loss的计算方式。取值为”mean”，”sum”，或”none”。默认值：”mean”。

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 $(N,C,H,W)$ 或 $(N,C,H)$ ，则 $H$ 或 $H$ 和 $W$ 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 logits 的 $C$ 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 $(N,C,H,W)$ 或 $(N,C,H)$ ，则 $H$ 或 $H$ 和 $W$ 的乘积应与 logits 相同。

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：

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