python损失函数实现_PaddlePaddle实现Focal Loss损失函数

在网上找了一下，有一位博主尝试写了一个，但是没有实现类别平衡。于是我继续了这位博主的工作，添加了类别平衡。在我的数据集上表现的很好。

这几天做一个图像分类的项目，每个标签的训练集数量差别很大，分类难易程度差别也很大，于是想用Focal Loss试一下，但是PaddlePaddle的函数库没有实现这个损失函数。

Focal Loss的理解可以看这一篇文章。

首先看一下使用Focal Loss之前的模型训练效果，分类很不平衡。

PaddlePaddle实现Focal Loss可以使用现有的op组合，也可以自己写一个op，后者难度较大，今天先使用现有的op，以后有时间再写op吧。

def focal_loss(pred, label, gama, alpha):

one_hot = paddle.fluid.layers.one_hot(label, train_parameters['class_dim'])

cross_entropy = one_hot * fluid.layers.log(pred)

cross_entropy = fluid.layers.reduce_sum(cross_entropy, dim=-1)

weight = -1.0 * one_hot * paddle.fluid.layers.pow((1.0 - pred), gama)

weight = fluid.layers.reduce_sum(weight, dim=-1)

ax = alpha * one_hot

alph = fluid.layers.reduce_sum(ax, dim=-1)

return alph * weight * cross_entropy1

2

3

4

5

6

7

8

9

gama参数一般取2；

alpha参数的实现：

定义占位符

img = fluid.data(name='img', shape=[-1] + train_parameters['input_size'], dtype='float32')

label = fluid.data(name='label', shape=[-1, 1], dtype='int64')

falpha = fluid.data(name='falpha', shape=[-1,train_parameters['class_dim']], dtype='float32')

feeder = fluid.DataFeeder(feed_list=[img, label, falpha], place=place)1

2

3

4

构建falpha参数

def get_focal_alpha():

alpha = []

value_count = train_parameters["label_img_count"] # 每个标签的训练集图片数量

image_count = train_parameters["image_count"] # 训练集图片总数量

for i in range(value_count.shape[0]):

alpha.append(((image_count-value_count[i])/image_count*1000-997)/3)

return alpha

focal_alpha = np.array(get_focal_alpha(),dtype=np.float32)1

2

3

4

5

6

7

8

在训练模型的每一个batch，将原来的feed数据添加falpha之后feed进去

# 这里的data是batch_reader()得到的数据

new_data = []

for i in range(len(data)):

new_item = data[0] + (focal_alpha,)

new_data.append(new_item)

del data[0]

loss, acc1, pred = exe.run(main_program,

feed=feeder.feed(new_data),

fetch_list=train_fetch_list)1

2

3

4

5

6

7

8

9

使用Focal Loss之后的分类结果