pytorch实现focalloss的两种方式小结_focalloss

15 浏览量更新于2023-05-04 收藏 49KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源推荐

pytorch实现实现focal loss的两种方式小结的两种方式小结

我就废话不多说了，直接上代码吧！我就废话不多说了，直接上代码吧！

import torch

import torch.nn.functional as F

import numpy as np

from torch.autograd import Variable

'''

pytorch实现focal loss的两种方式(现在讨论的是基于分割任务)

在计算损失函数的过程中考虑到类别不平衡的问题，假设加上背景类别共有6个类别

'''

def compute_class_weights(histogram):

classWeights = np.ones(6, dtype=np.float32)

normHist = histogram / np.sum(histogram)

for i in range(6):

classWeights[i] = 1 / (np.log(1.10 + normHist[i]))

return classWeights

def focal_loss_my(input,target):

'''

:param input: shape [batch_size,num_classes,H,W] 仅仅经过卷积操作后的输出，并没有经过任何激活函数的作用

:param target: shape [batch_size,H,W] :return:

'''

n, c, h, w = input.size()

target = target.long()

input = input.transpose(1, 2).transpose(2, 3).contiguous().view(-1, c)

target = target.contiguous().view(-1)

number_0 = torch.sum(target == 0).item()

number_1 = torch.sum(target == 1).item()

number_2 = torch.sum(target == 2).item()

number_3 = torch.sum(target == 3).item()

number_4 = torch.sum(target == 4).item()

number_5 = torch.sum(target == 5).item()

frequency = torch.tensor((number_0, number_1, number_2, number_3, number_4, number_5), dtype=torch.float32)

frequency = frequency.numpy()

classWeights = compute_class_weights(frequency)

'''

根据当前给出的ground truth label计算出每个类别所占据的权重

'''

# weights=torch.from_numpy(classWeights).float().cuda()

weights = torch.from_numpy(classWeights).float()

focal_frequency = F.nll_loss(F.softmax(input, dim=1), target, reduction='none')

'''

上面一篇博文讲过

F.nll_loss(torch.log(F.softmax(inputs, dim=1)，target)的函数功能与F.cross_entropy相同

可见F.nll_loss中实现了对于target的one-hot encoding编码功能，将其编码成与input shape相同的tensor

然后与前面那一项（即F.nll_loss输入的第一项）进行 element-wise production

相当于取出了 log(p_gt)即当前样本点被分类为正确类别的概率

现在去掉取log的操作，相当于 focal_frequency shape [num_samples] 即取出ground truth类别的概率数值，并取了负号

'''

focal_frequency += 1.0#shape [num_samples] 1-P（gt_classes）

focal_frequency = torch.pow(focal_frequency, 2) # torch.Size([75])

focal_frequency = focal_frequency.repeat(c, 1)

'''

进行repeat操作后，focal_frequency shape [num_classes,num_samples] '''

focal_frequency = focal_frequency.transpose(1, 0)

loss = F.nll_loss(focal_frequency * (torch.log(F.softmax(input, dim=1))), target, weight=None,

reduction='elementwise_mean')

return loss

def focal_loss_zhihu(input, target):

'''

:param input: 使用知乎上面大神给出的方案 https://zhuanlan.zhihu.com/p/28527749

:param target:

:return:

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余1页未读，立即下载

weixin_38593723

粉丝: 5
资源: 919

会员权益专享

pytorch实现focal loss的两种方式小结

会员权益专享

最新资源

pytorch实现focal loss的两种方式小结

Python-用于密集旋转物体检测的FocalLoss

pytorch绘制并显示loss曲线和acc曲线，LeNet5识别图像准确率

Pytorch 实现focal_loss 多类别和二分类示例

用pytorch实现focal loss

pytorch实现focal loss

使用pytorch实现focal loss

pytorch导入Focalloss

pytorch如何实现focal loss,实例说明

PyTorch Focal Loss 代码

focal loss损失函数的pytorch实现

pytorch中调用focal loss

pytorch实现mseloss

focal loss在数据集上的pytorch实现代码

focal loss pytorch代码

focalloss损失函数pytorch

pytorch如何在yolov7中实现focal loss,实例说明

focal loss损失函数pytorch

用pytorch写一下focalloss

多分类focalloss pytorch代码，详解

focal loss代码pytorch

会员权益专享

最新资源