loss = nn.loss.SoftmaxCrossEntropyWithLogits(sparse=True, reduction='mean')，更改loss函数

以下是一个更改后的损失函数的代码，它是一个基于 Focal Loss 的损失函数：

import mindspore.nn as nn
import mindspore.ops as ops
from mindspore.common.initializer import Normal

class FocalLoss(nn.Cell):
    def __init__(self, gamma=2.0, alpha=0.25, reduction='mean'):
        super(FocalLoss, self).__init__()
        self.gamma = gamma
        self.alpha = alpha
        self.reduction = reduction
        self.exp = ops.Exp()
        self.log = ops.Log()
        self.mean = ops.ReduceMean()
        self.mul = ops.Mul()
        self.add = ops.Add()
        self.neg = ops.Neg()

    def construct(self, logits, labels):
        log_probs = self.log(self.exp(logits) / self.add(self.exp(logits).sum(axis=1).reshape(-1,1), 1e-9))
        probs = self.exp(log_probs)
        pt = self.mul(labels, probs) + self.mul(self.neg(labels) + 1.0, self.neg(probs) + 1.0)
        focal_weight = self.mul(self.mul(self.neg(self.pow(pt, self.gamma)), self.alpha), labels) + self.mul(self.mul(self.neg(self.pow(self.neg(pt) + 1.0, self.gamma)), 1.0 - self.alpha), self.neg(labels) + 1.0)
        loss = self.mean(self.mul(focal_weight, log_probs))
        if self.reduction == 'sum':
            loss = self.sum(loss)
        return loss

这个损失函数是基于 Focal Loss 的，它可以缓解类别不平衡和难易样本不平衡的问题。其中，gamma 是一个超参数，用于调整难易样本的权重；alpha 是另一个超参数，用于调整类别不平衡的权重。具体来说，该损失函数首先计算 logits 的 softmax 概率，然后计算 Focal Loss 的权重，最后计算加权后的 log 损失。该损失函数的优化目标是最小化加权后的 log 损失，同时考虑到类别不平衡和难易样本不平衡的问题。