Dice+Focal loss代码

Dice损失和Focal Loss都是用于二分类或多分类问题的损失函数，特别是在处理类别不平衡数据时非常有效。Dice Loss特别关注预测结果的精确度，而Focal Loss则是为了解决经典交叉熵损失在难样本上梯度消失的问题。

Dice Loss（也称为F Dice系数或Sørensen-Dice Coefficient）公式通常用于医疗图像分析等任务，计算形式为：

DiceLoss = 1 - (2 * intersection / (union + smoothness))

其中`intersection`是真实值和预测值相交部分，`union`是两者并集，`smoothness`是一个小常数防止分母为零。

Focal Loss则引入了一个动态调整因子，其公式为：

FL(p_t) = -(1-p_t) ** gamma * log(p_t)

`p_t`是模型对每个类别的预测概率，`gamma`是一个聚焦参数，使得容易分类的样本（高概率预测）的权重下降，更关注难以分类的样本（低概率预测）。

以下是使用PyTorch编写Dice+Focal Loss的基本代码示例：

import torch
from torch.nn import BCEWithLogitsLoss

class FocalDiceLoss(nn.Module):
    def __init__(self, gamma=2.0, smooth=1e-5):
        super(FocalDiceLoss, self).__init__()
        self.bce_loss = BCEWithLogitsLoss()
        self.smooth = smooth
        self.gamma = gamma

    def forward(self, input, target):
        pred = torch.sigmoid(input)

        # 计算Dice Loss
        intersection = (pred * target).sum(dim=(1, 2, 3))
        dice = (2. * intersection + self.smooth) / (pred.sum(dim=(1, 2, 3)) + target.sum(dim=(1, 2, 3)) + self.smooth)
        dice_loss = 1 - dice.mean()

        # 计算Focal Loss
        focal_weight = torch.pow(1 - pred, self.gamma)
        bce_loss = self.bce_loss(pred, target)
        focal_dice = focal_weight * dice_loss

        return focal_dice

# 使用
loss_fn = FocalDiceLoss()
input = torch.randn(16, 1, 32, 32)  # 预测tensor
target = torch.randint(0, 2, (16, 1, 32, 32))  # 真实标签
loss = loss_fn(input, target)