深度学习中常见的损失函数分为两种：分类损失和回归损失
Log loss即交叉熵损失：https://blog.csdn.net/google19890102/article/details/79496256
Focal Loss：
设计理念：网络在学习的时候往往有大量的负样本（背景），这些样本相对容易学习，置信度很高导致loss值很小，大量的负样本置信度聚集在0.6-1.0间，淹没需要学习的正样本，每个batch会更新大量的负样本权值，导致学习效率降低和网络性能；Focal Loss的想法是降低简单样本的损失，将网络的梯度更新偏向0-0.4置信度的样本，增强网络的分类性能。在损失函数设计时可以采取类似的想法，让网络学习偏向需要重点学习的部分，对于简单不重要的部分可以简化学习。
1
