mindspore.nn.FocalLoss

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：

\[FL(p_t) = -(1-p_t)^\gamma log(p_t)\]
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。 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：

>>> 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