focal loss pytorch代码

以下是使用PyTorch实现Focal Loss的代码示例：

import torch
import torch.nn as nn
import torch.nn.functional as F

class FocalLoss(nn.Module):
    def __init__(self, alpha=1, gamma=2, reduction='mean'):
        super(FocalLoss, self).__init__()
        self.alpha = alpha
        self.gamma = gamma
        self.reduction = reduction

    def forward(self, inputs, targets):
        inputs = inputs.view(-1)
        targets = targets.view(-1)

        # 计算交叉熵损失
        ce_loss = F.cross_entropy(inputs, targets, reduction='none')

        # 计算权重
        pt = torch.exp(-ce_loss)
        weight = (self.alpha * (1 - pt)**self.gamma)

        # 根据权重调整损失
        loss = weight * ce_loss

        if self.reduction == 'mean':
            return loss.mean()
        elif self.reduction == 'sum':
            return loss.sum()
        else:
            return loss


# 使用示例
criterion = FocalLoss(alpha=1, gamma=2, reduction='mean')
inputs = torch.randn(10, 3)
targets = torch.randint(0, 3, (10,))
loss = criterion(inputs, targets)
print(loss)

在上面的代码中，我们定义了一个继承自`nn.Module`的`FocalLoss`类，它接受`alpha`和`gamma`作为超参数，并且可以选择损失的缩减方式（`reduction='mean'`表示计算平均损失，`reduction='sum'`表示计算总损失）。

在前向传播方法中，我们首先将输入和目标展平，然后计算交叉熵损失。接下来，我们计算每个样本的权重`weight`，并使用该权重调整交叉熵损失。最后，根据缩减方式返回相应的损失值。

在使用时，我们创建一个`FocalLoss`类的实例，并将其作为损失函数使用。输入和目标张量的形状可以根据实际情况进行调整。

请注意，这只是Focal Loss的基本实现示例，你可以根据自己的需求进行修改和扩展。