L softmax对比softmax的改进

L softmax是在softmax的基础上进行了改进，主要是为了解决分类器中类别不平衡问题。在softmax中，每个类别的权重都是一样的，因此如果某些类别的样本数量比其他类别少，那么它们在分类过程中就容易被忽略。而L softmax通过引入一个可学习的参数来调整每个类别的权重，从而使得模型更加关注那些少数类别。

具体来说，L softmax的损失函数如下所示：
$$
L_{i}=-\log \left(\frac{e^{\left\|x_{i}\right\|\cos \left(\theta_{y_{i}}+m\right)}}{e^{\left\|x_{i}\right\|\cos \left(\theta_{y_{i}}+m\right)}+\sum_{j=1,j \neq y_{i}}^{n} e^{\left\|x_{i}\right\|\cos \left(\theta_{j}\right)}}\right)
$$
其中，$x_i$是输入的特征向量，$\theta_j$是第$j$个类别的权重向量，$m$是一个超参数，$y_i$表示第$i$个样本所属的类别。与传统的softmax不同，L softmax会引入一个额外的权重向量来调整每个类别的权重。