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,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 \((N, C, H, W)\) 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:
>>> 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