sigmoid_focal_loss

paddle.fluid.layers.sigmoid_focal_loss(x, label, fg_num, gamma=2.0, 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 (int|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 (int|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=2.0,
                                       alpha=0.25)