引言
场景:使用Bert做一个违规样本分类模型,数据呈现正负样本不均衡,难易样本不均衡等问题,尝试使用Focal loss替换Bert中后半部分的交叉熵损失函数。
初衷:由于使用的Bert模型中使用的损失函数为交叉熵损失函数,torch.nn.CrossEntropyLoss,那么如果能理解实现原理,将focal loss在该api基础上实现,就可以尽可能少修改原始代码
- Focal loss的公式:其中用到的交叉熵损失函数表达式是(3)
- 其中:
辅助理解:首先要了解的是交叉熵损失函数可以是二分类也可以是多分类,核心就是sigmoid还是softmax作为激活函数,那么对应的就是CE和BCE,从而focal loss根据CE BCE也就有两种表达。
1 focal loss的公式推导过程理解可以参考:寻找解决样本不均衡方法之Focal Loss与GHM – 知乎 (zhihu.com)
2 交叉熵损失函数的推导过程可以参考:交叉熵损失函数 – 知乎 (zhihu.com)
3 CE与BCE的区别:CE Loss 与 BCE Loss 区别 – 知乎 (zhihu.com)
- BCE:二分类
- CE:多分类,当其是二分类时候与BCE有什么区别可见上面的链接
- pytorch中具体实现方法可以查看:[CrossEntropyLoss — PyTorch 1.12 documentation]
- softmax,log_softmax,nllloss的表达式:
- 关于nllloss专门整理一篇介绍。
- 使用pytorch实现focal loss源码如下:(个人觉得比较简练的一个)
import torch
import torch.nn as nn
import torch.optim as optim
from torch.utils.data import DataLoader, Dataset
import torchvision
import torchvision.transforms as F
from IPython.display import display
class FocalLoss(nn.Module):
def __init__(self, weight=None, reduction='mean', gamma=0, eps=1e-7):
super(FocalLoss, self).__init__()
self.gamma = gamma
self.eps = eps
self.ce = torch.nn.CrossEntropyLoss(weight=weight, reduction=reduction)
def forward(self, input, target):
logp = self.ce(input, target)
p = torch.exp(-logp)
loss = (1 - p) ** self.gamma * logp
return loss.mean()
代码来源:Focal Loss代码分析(公式修改版-知乎公式坑) – 知乎 (zhihu.com)
代码实现的原理如下:
pytorch中交叉熵损失函数所有表达式,类比(3)
α-balanced交叉熵结合表达式
focal loss表达式:
带有alpha平衡参数的focal loss表达式:
将CrossEntropyLoss改成Focal Loss
那么:
所有Focal loss的最终为
当然考虑到是mini-batch算法,因此最后一步取均值运算。
关于使用CE与BCE的实现方法可以参考以下代码:(关于γ与α的调参也有部分解答)
一、Focal Loss理论及代码实现_MY头发乱了的博客-CSDN博客_focal loss代码实现
基于二分类交叉熵实现
# 1.基于二分类交叉熵实现
class FocalLoss(nn.Module):
def __init__(self, alpha=1, gamma=2, logits=False, reduce=True):
super(FocalLoss, self).__init__()
self.alpha = alpha
self.gamma = gamma
self.logits = logits
self.reduce = reduce
def forward(self, inputs, targets):
if self.logits:
BCE_loss = F.binary_cross_entropy_with_logits(inputs, targets, reduce=False)
else:
BCE_loss = F.binary_cross_entropy(inputs, targets, reduce=False)
pt = torch.exp(-BCE_loss)
F_loss = self.alpha * (1-pt)**self.gamma * BCE_loss
if self.reduce:
return torch.mean(F_loss)
else:
return F_loss
其他的参考资料
关于binary_cross_entropy_with_logits与binary_cross_entropy的区别可以看:
关于focal loss二分类公式的一些变形可以参考:
【论文解读】Focal Loss公式、导数、作用详解 – 知乎 (zhihu.com)
使用纯pytorch代码实现focal loss
Focal Loss 的Pytorch 实现以及实验 – 知乎 (zhihu.com)
辅助理解代码实现:
深度学习之目标检测(五)– RetinaNet网络结构详解_木卯_THU的博客-CSDN博客_retinanet
focal loss原理及简单代码实现_pomelo33的博客-CSDN博客_focal loss代码实现
吃透torch.nn.CrossEntropyLoss() – 知乎 (zhihu.com)
文章出处登录后可见!