sigmoid_focal_loss
paddle.fluid.layers.
sigmoid_focal_loss
(x, label, fg_num, gamma=2, alpha=0.25)[源代码]
Focal Loss 被提出用于解决计算机视觉任务中前景-背景不平衡的问题。该OP先计算输入x中每个元素的sigmoid值,然后计算sigmoid值与类别目标值label之间的Focal Loss。
Focal Loss的计算过程如下:
其中,已知:
- 参数:
- x (Variable) – 维度为 的2-D Tensor,表示全部样本的分类预测值。其中,第一维N是批量内参与训练的样本数量,例如在目标检测中,样本为框级别,N为批量内所有图像的正负样本的数量总和;在图像分类中,样本为图像级别,N为批量内的图像数量总和。第二维:math:C 是类别数量( 不包括背景类 )。数据类型为float32或float64。
- label (Variable) – 维度为 的2-D Tensor,表示全部样本的分类目标值。其中,第一维N是批量内参与训练的样本数量,第二维1表示每个样本只有一个类别目标值。正样本的目标类别值的取值范围是 , 负样本的目标类别值是0。数据类型为int32。
- fg_num (Variable) – 维度为 的1-D Tensor,表示批量内正样本的数量,需在进入此OP前获取正样本的数量。数据类型为int32。
- gamma (float) – 用于平衡易分样本和难分样本的超参数, 默认值设置为2.0。
- alpha (float) – 用于平衡正样本和负样本的超参数,默认值设置为0.25。
返回: 输入x中每个元素的Focal loss,即维度为
的2-D Tensor。
返回类型: 变量(Variable),数据类型为float32或float64。
代码示例
- import paddle.fluid as fluid
- input = fluid.data(name='data', shape=[10,80], dtype='float32')
- label = fluid.data(name='label', shape=[10,1], dtype='int32')
- fg_num = fluid.data(name='fg_num', shape=[1], dtype='int32')
- loss = fluid.layers.sigmoid_focal_loss(x=input,
- label=label,
- fg_num=fg_num,
- gamma=2.,
- alpha=0.25)