参数¶

• logit (Tensor) - 维度为 \([N, *]\) , 其中N是batch_size， * 是任意其他维度。输入数据 logit 一般是卷积层的输出，不需要经过 sigmoid 层。数据类型是float32、float64。

• label (Tensor) - 维度为 \([N, *]\) ，标签 label 的维度、数据类型与输入 logit 相同。

• normalizer (Tensor，可选) - 维度为 \([1]\) ，focal loss的归一化系数，数据类型与输入 logit 相同。若设置为None，则不会将focal loss做归一化操作（即不会将focal loss除以normalizer）。在目标检测任务中，设置为正样本的数量。默认值为None。

• alpha (int|float，可选) - 用于平衡正样本和负样本的超参数，取值范围 \([0，1]\) 。默认值设置为0.25。

• gamma (int|float，可选) - 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。

• reduction (str，可选) - 指定应用于输出结果的计算方式，可选值有: 'none', 'mean', 'sum' 。默认为 'mean'，计算 focal loss 的均值；设置为 'sum' 时，计算 focal loss 的总和；设置为 'none' 时，则返回原始loss。

• name (str，可选) - 操作的名称（可选，默认值为None）。更多信息请参见 Name 。

返回¶

• Tensor，输出的Tensor。如果 reduction 是 'none', 则输出的维度为 \([N, *]\) , 与输入 logit 的形状相同。如果 reduction 是 'mean' 或 'sum', 则输出的维度为 \([1]\) 。

代码示例¶

import paddle

logit = paddle.to_tensor([[0.97, 0.91, 0.03], [0.55, 0.43, 0.71]], dtype='float32')
label = paddle.to_tensor([[1.0, 0.0, 0.0], [0.0, 1.0, 0.0]], dtype='float32')
one = paddle.to_tensor([1.], dtype='float32')
fg_label = paddle.greater_equal(label, one)
fg_num = paddle.sum(paddle.cast(fg_label, dtype='float32'))
output = paddle.nn.functional.sigmoid_focal_loss(logit, label, normalizer=fg_num)
print(output)  # [0.65782464]