损失函数

 

NLLLoss = -x[class]  x为输出张量 class为target     注！数据准备阶段target是一个class_index∈[0,n-1] n = 类别总数 Pytorch会自动转为One-Hot格式   CELoss同理

 

CELoss =  softmax + log + NLLLoss

 

BCELoss = -[y*log(x) + (1-y)*log(1-x)]

 

BCEWithLogitsLoss = sigmoid + BCE

 

FL_loss =  -[y*log(x)*α*(1-x)^γ + (1-y)*log(1-x)*(1-α)*x^γ] default α=0.25，γ=2

主要是为了解决正负样本比例严重失衡的问题，该损失函数降低了大量简单负样本在训练中所占的权重。
它是在交叉熵损失函数基础上进行的修改，添加一个α参数权衡正负样本，再添加一个γ参数平衡难易样本

 

QFL_loss= -[y*log(x)*α + (1-y)*log(1-x)*(1-α)]*|y-x|γ 
出现原因:开启smooth_label时，label∈(0~1)，但FL_loss只支持 0/1 这样的离散类别，注意最后绝对值中的y在正样本区域为label,在负样本区域为1-label。