FocalLoss，由何恺明等人在2017年的论文《Focal Loss for Dense Object Detection》中提出。它是一种专门为解决，目标检测中类别不平衡和难易样本不平衡问题而设计的损失函数。当然，也是可以适用于图像分割。
本文将详细介绍FocalLoss的基本概念、思想原理，以及如何设置 FocalLoss中的关键参数，并提供PyTorch的实现代码。
交叉熵损失函数
Focalloss是基于二分类交叉熵，可以理解成一个动态缩放的交叉熵损失。即：
-
通过一个动态放缩因子，可以在不同类别的样本数量极不平衡情况下，动态降低训练过程中数量极多的样本的权重，避免数量极少的样本被淹没
-
通过一个动态缩放因子，可以动态降低训练过程中易区分样本的权重，从而将重心快速聚焦在那些难区分的样本
那就先回顾下交叉熵损失的定义。
在二分类任务中，一般使用 Sigmoid 作为最后的激活函数，输出代表样本为正的概率值 y ^ \hat y y^。二分类非正即负，所以样本为负的概率值为 1 − y ^ 1-\hat y 1−y^ 。二分类交叉熵损失的计算公式为：
B C E = − y ⋅ l n ( y ^ ) − ( 1 − y ) ⋅ l n ( 1 − y ^ ) BCE=-y\cdot ln(\hat y)-(1-y)\cdot ln(1-\hat y) BCE=−y⋅ln(y^)−(1−y)⋅ln(1−y^)
其中：
-
y y y：target标签，正样本为 1，负样本为 0
-
y ^ \hat y y^： Sigmoid 激活函数的输出值，表示模型预测为正样本的概率
在多分类情况下，一般使用 Softmax 作为最后的激活函数，输出有多个值，对应每个类别的概率值，且这些概率之和为 1。多分类交叉熵损失的计算公式为：
C E = − ∑ i = 0 N y i ⋅ l n ( y ^ i ) CE=-\sum_{i=0}^Ny_i\cdot ln(\hat y_i) CE=−i=0∑Nyi⋅ln(y^i)
其中：
-
N N N：类别的总数
-
y i y_i yi：target标签的 one-hot 编码，若样本属于第 i i i 类，则 y i = 1 y_i =1 yi=1，否则 y i = 0 y_i=0 yi=0
-
y ^ i \hat y_i y^i ： Softmax 激活函数输出结果中第 i i i 类的概率
直观解释：
无论是二分类问题，还是多分类问题，如果目标标签是类别 k k k，那么此时的交叉熵可以简化成：
C E = − l n ( y ^ k ) = − l n ( 模型预测类别 k 的概率 ) CE=-ln(\hat y_k)=-ln(模型预测类别k的概率) CE=−ln(y^k)=−ln(模型预测类别k的概率)
更根本的就是，如果目标标签是什么，那么 C E CE CE就是模型预测成该目标标签的概率，经过 − l n -ln −ln的计算之后的结果。
关于交叉熵损失函数的具体讲解，这里就不赘述了。可以参考博文：
FocalLoss基本概念
样本数量不平衡
我们在做实际模型训练的时候，经常会遇到各类样本数量比例不平衡的情况。比如：对于二分类任务，有可能负样本的数量远远多于正样本的数量，导致模型更多关注在负样本上，从而忽略正样本。
因此，在使用交叉熵损失的时候，通常会增加一个平衡参数用来调节正负样本的比重。
引入样本平衡参数 α k ∈ [ 0 , 1 ] \alpha_k \in[0,1] αk∈[0,1]：
C E = − α k ⋅ l n ( y ^ k ) CE=-\alpha_k \cdot ln(\hat y_k) CE=−αk⋅ln(y^k)
如果每个 α k \alpha_k αk都相等，那么就可以理解为：退化成交叉熵了。
一般情况下，如果是二分类问题，我们保证 α 正样本 + α 负样本 = 1 \alpha_{正样本}+\alpha_{负样本}=1 α正样本+α负样本=1，因此只需要指定正样本的平衡参数 α \alpha α就行了，此时负样本的平衡参数就是 1 − α 1-\alpha 1−α。如果是多分类问题，则保证每个 α k ∈ [ 0 , 1 ] \alpha_k \in[0,1] αk∈[0,1]就行了。即， α \alpha α的类别总数就是target标签的类别总数。
也就是说，如果有 N N N种类别，那么 α \alpha α就有 N N N种值。每个样本的target标签是 k k k，那么它的平衡参数就是 α k \alpha_k αk。二分类， N = 2 N=2 N=2，就是 α \alpha α、 1 − α 1-\alpha 1−α；多分类， N N N，就是 α 1 \alpha_1 α1、 α 2 \alpha_2 α2、...、 α N \alpha_N αN。
如果类别 k k k的样本数量较多，那么可以适当的降低 α k \alpha_k αk的值，降低loss；如果类别 k k k的样本数量较少，那么可以适当的提高 α k \alpha_k αk的值，提高loss。也就是说， α k \alpha_k αk的值应该是样本数量成反比。
例如，对于一个二分类问题，假如正样本数量占0.2，负样本数量占0.8，那么 α 正样本 = 0.8 \alpha_{正样本}=0.8 α正样本=0.8、 α 负样本 = 0.2 \alpha_{负样本}=0.2 α负样本=0.2（当然也可以微调），以此来达到平衡正负样本的目的。这样理解，看来是没有问题的。
难易分类样本
我们在做实际模型训练的时候，也会遇到各种难分类样本、易分类样本。比如：当易分类样本超级多时，整个训练过程将会围绕着易分类样本进行，进而淹没难分类样本，造成大损失。
因此，在使用交叉熵损失的时候，通常会增加一个平衡参数用来调节难易分类样本的比重。
引入样本平衡参数 γ ∈ [ 0 , 5 ] \gamma \in [0,5] γ∈[0,5]：
C E = − ( 1 − y ^ k ) γ ⋅ l n ( y ^ k ) CE=-(1-\hat y_k)^{\gamma}\cdot ln(\hat y_k) CE=−(1−y^k)γ⋅ln(y^k)
如果 γ = 0 \gamma=0 γ=0，那么就退化成交叉熵了。
当 γ ≠ 0 \gamma\neq 0 γ=0时，如果类别 k k k的模型预测概率 y ^ k \hat y_k y^k较高，即易分类样本；如果类别 k k k的模型预测概率 y ^ k \hat y_k y^k较低，即难分类样本；那么该平衡参数对易分类的loss降低幅度，比对难分类的loss降低幅度大很多。如果 γ \gamma γ越大，两者的幅度差距会更大。这样理解，看来是没有问题的。
FocalLoss
通过以上针对样本数量不平衡以及难易分类样本，可以得到应该最终的FocalLoss形式：
F L = − α k ( 1 − y ^ k ) γ ⋅ l n ( y ^ k ) = − α k ( 1 − p k ) γ ⋅ l n ( p k ) \begin{aligned}FL&=-\alpha_k(1-\hat y_k)^{\gamma}\cdot ln(\hat y_k)\\&=-\alpha_k(1-p_k)^\gamma\cdot ln(p_k)\end{aligned} FL=−αk(1−y^k)γ⋅ln(y^k)=−αk(1−pk)γ⋅ln(pk)
即：即通过 α k \alpha_k αk可以抑制样本的数量失衡，通过 γ \gamma γ可以控制难易分类样本失衡。
FocalLoss关键点解释
接下来，会对FocalLoss形式中的计算结果进行关键的的分析和解释：
F L = − α k ( 1 − p k ) γ ⋅ l n ( p k ) FL=-\alpha_k(1-p_k)^\gamma\cdot ln(p_k) FL=−αk(1−pk)γ⋅ln(pk)
p k p_k pk
p k p_k pk就是交叉熵里面的 y ^ k \hat y_k y^k，即模型预测类别k的概率。
对于二分类的情形，如果target标签是正样本，那 p k p_k pk就是模型预测正样本的概率；如果target标签是负样本，那 p k p_k pk就是模型预测负样本的概率。
对于多分类的情形， p k p_k pk就是模型预测target标签的概率。
也就是说， p k p_k pk的值代表了模型对样本预测正确的概率。因此， p k p_k pk 的大小实际能反映出样本难易分类的程度。
如果 p k p_k pk的值越逼近1，那么该样本就比较容易分类；如果 p k p_k pk的值越逼近0，那么该样本就不容易分类。
甚至可以这么粗暴的认为：
-
易分类样本：模型预测正确的概率较高，即 p k p_k pk 较大（通常 p k > 0.5 p_k>0.5 pk>0.5）
-
难分类样本：模型预测正确的概率较低，即 p k p_k pk 较小（通常 p k < 0.5 p_k<0.5 pk<0.5）
超参数 γ \gamma γ
上面说过， p k p_k pk代表了样本难易分类的程度。在训练模型的时候，我们希望模型更加关注难分类样本，所以会考虑将难分类样本在损失函数中的比重加大。
作者在原始的二分类交叉函数中增加了一项 ( 1 − p k ) γ (1-p_k)^{\gamma} (1−pk)γ，对原始交叉熵损失做了衰减。
经过对 p k p_k pk的分析可知，难分类样本的 p k p_k pk 值小， 1 − p k 1-p_k 1−pk 大；易分类样本的 p k p_k pk 值大， 1 − p k 1-p_k 1−pk 值小。尽管，无论是难分类还是易分类样本，FocalLoss相对于原始的交叉熵都做了衰减，但是难分类样本相对于易分类样本衰减得更轻微。
也就是说，从相对的角度上看，对于易分类样本是衰减的，对于难分类样本是增强的。
而这里的超参数 γ \gamma γ，则决定了两者相对的衰减/增强的属性， γ \gamma γ越大，相对性越明显。即，当 γ \gamma γ增大时，对易分类样本的损失衰减更加明显，从而使模型更加关注难分类样本。
如果不是很好理解，我们用一个例子说明：
对于一个二分类情形，我们取 {\\gamma}=2，当target样本为正样本时：
-
如果模型预测正样本的 p = 0.3 p = 0.3 p=0.3，表明是难分类样本，则 p k = 0.3 p_k = 0.3 pk=0.3， ( 1 − p k ) γ = ( 1 − 0.3 ) 2 = 0.49 ( 1 − p_k )^{\gamma} = ( 1 − 0.3 )^ 2 = 0.49 (1−pk)γ=(1−0.3)2=0.49，相当于原始的CE Loss的0.49倍
-
如果模型预测正样本的 p = 0.7 p = 0.7 p=0.7，表明是易分类样本，则 p k = 0.7 p_k = 0.7 pk=0.7， ( 1 − p k ) γ = ( 1 − 0.7 ) 2 = 0.09 ( 1 − p_k )^{\gamma} = ( 1 − 0.7 )^ 2 = 0.09 (1−pk)γ=(1−0.7)2=0.09，相当于原始的CE Loss的0.09倍
也就是说，尽管都是衰减，但是难分类样本衰减成了0.49，但是易分类样本衰减成了0.09。可以看出，这样会导致模型更关注难分类样本。
超参数 α \alpha α
上面说过， α \alpha α用于缓解各类样本数量比例不平衡的情况。这个比较容易理解，如果某类的样本数量很多，那么就给它更小的平衡参数，让模型更关注样本数量较少的样本。
论文作者指出：加入 α \alpha α平衡参数比不加时精度有所提升。并且给出了实验参数，在作者的实验中当 {\\alpha}=0.25 ， ， ， {\\gamma}=2时精度最高。
这时就有一个问题了， α \alpha α代表计算损失时对应正样本的调节权重，而正样本数量一般要小于负样本的数量，所以理论上正样本的权重应该大于负样本的权重的。但是作者实验中最佳的正样本权重（ {\\alpha}=0.25 ）为啥比负样本权重（ ）为啥比负样本权重（ ）为啥比负样本权重（ 1-{\\alpha}=0.75）还要低呢？
明明负样本的数量已经远远大于正样本的数量了，为啥还要增加损失函数中负样本的比重呢？这不是矛盾吗？
其实，作者在论文里给出了解释。
即： α \alpha α和 γ \gamma γ如果是单独使用，自然是符合我们分析的结果的。但是在FocalLoss中，两者是混合使用的，它们之间也是有影响的主次关系的。一般来说， γ \gamma γ是占主导地位的，随着 {\\gamma} 的增大， 的增大， 的增大，{\\alpha}要相应的减小。
FocalLoss梯度分析
根据FocalLoss的公式：
F L = − α k ( 1 − p k ) γ ⋅ l n ( p k ) FL=-\alpha_k(1-p_k)^\gamma\cdot ln(p_k) FL=−αk(1−pk)γ⋅ln(pk)
对FocalLoss进行求导：
∂ ( F L ) ∂ p k = − α k ⋅ γ ⋅ ( 1 − p k ) γ − 1 l n ( p k ) − α k ⋅ ( 1 − p k ) γ ⋅ 1 p k \frac{\partial (FL)}{\partial p_k}=-\alpha_k\cdot\gamma\cdot(1-p_k)^{\gamma-1}ln(p_k)-\alpha_k\cdot(1-p_k)^{\gamma}\cdot\frac{1}{p_k} ∂pk∂(FL)=−αk⋅γ⋅(1−pk)γ−1ln(pk)−αk⋅(1−pk)γ⋅pk1
可以看出， p t p_{t} pt接近1时，FocalLoss的梯度趋于0， p t p_{t} pt靠近0，FocalLoss的梯度越来越大。
也就是说，那么预测值 p t p_t pt和真实值target非常接近的时候，梯度极小，网络参数几乎不变，当预测值 p t p_t pt和真实值target差距较大时，梯度变大，网络参数开始调整。
小Tips
-
在使用FocalLoss时， γ \gamma γ占主导因素，同时 γ \gamma γ是用来控制难易分类样本的，所以当数据中难分类样本较多时， γ \gamma γ可以设置的大一些
-
如果要分类的目标特征比较明显（建筑、道路），最好不要用FocalLoss
代码实战
二分类问题，此时 α \alpha α指定正样本的平衡系数即可，此时负样本的平衡系数就是 1 − α 1-\alpha 1−α， γ \gamma γ本身就是一个标量。
python
class BinaryFocalLoss(torch.nn.Module):
"""
二分类BinaryFocalLoss
"""
def __init__(self, alpha=0.25, gamma=2):
super(BinaryFocalLoss, self).__init__()
self.alpha = alpha
self.gamma = gamma
def forward(self, preds, labels):
"""
preds: sigmoid的输出结果
labels: 标签, 1为正样本, 0为负样本
"""
eps = 1e-7
loss_1 = -1 * self.alpha * torch.pow((1 - preds), self.gamma) * torch.log(preds + eps) * labels
loss_0 = -1 * (1 - self.alpha) * torch.pow(preds, self.gamma) * torch.log(1 - preds + eps) * (1 - labels)
loss = loss_0 + loss_1
return torch.mean(loss)多分类问题，此时 α \alpha α是一个向量，大小为所有样本的长度，表示每个样本所属的target类别的平衡系数， γ \gamma γ本身就是一个标量。
python
class FocalLoss(torch.nn.Module):
"""
多分类FocalLoss
"""
def __init__(self, alpha, gamma=2):
super(FocalLoss, self).__init__()
self.alpha = alpha
self.gamma = gamma
def forward(self, preds, labels):
"""
preds: 模型的输出, 未经过 Softmax, 形状为 [N, C]
labels: 标签, 形状为 [N], 取值为类别的索引
"""
eps = 1e-7
# 计算 Log-Softmax
preds_logsoft = F.log_softmax(preds, dim=1)
# 计算 softmax
preds_softmax = torch.exp(preds_logsoft)
# unsqueeze：将 labels 的形状从 [N] 转换为 [N, 1]，便于与 preds_softmax 对应
# gather：根据 labels 提取每个样本真实类别对应的概率值，结果形状为 [N, 1]
preds_softmax = preds_softmax.gather(1, labels.unsqueeze(1)).squeeze(1)
preds_logsoft = preds_logsoft.gather(1, labels.unsqueeze(1)).squeeze(1)
# 计算 focal loss
loss = -self.alpha * torch.pow(1 - preds_softmax, self.gamma) * preds_logsoft
return loss.mean()这边对代码preds_softmax.gather(1, labels.unsqueeze(1)).squeeze(1)分析：
python
import torch
# 假设 preds_softmax 是模型的 Softmax 输出，形状为 [N, C]
preds_softmax = torch.tensor([
[0.1, 0.7, 0.2], # 样本 1 的类别概率分布
[0.3, 0.4, 0.3], # 样本 2 的类别概率分布
[0.2, 0.5, 0.3] # 样本 3 的类别概率分布
])
# 假设 labels 是目标标签，形状为 [N]
labels = torch.tensor([1, 2, 0]) # 样本 1 属于类别 1，样本 2 属于类别 2，样本 3 属于类别 0
# 使用 gather 提取每个样本真实类别的概率
labels_unsqueezed = labels.unsqueeze(1) # 将 labels 的形状从 [N] 转换为 [N, 1]
print("labels.unsqueeze(1):")
print(labels_unsqueezed)
# 根据 labels 提取 preds_softmax 中对应的概率
gathered_probs = preds_softmax.gather(1, labels_unsqueezed) # 结果形状为 [N, 1]
print("\npreds_softmax.gather(1, labels.unsqueeze(1)):")
print(gathered_probs)
# 使用 squeeze(1) 去掉第 1 维，结果形状为 [N]
final_probs = gathered_probs.squeeze(1)
print("\npreds_softmax.gather(1, labels.unsqueeze(1)).squeeze(1):")
print(final_probs)输出结果：
labels.unsqueeze(1):
tensor([[1],
[2],
[0]])
preds_softmax.gather(1, labels.unsqueeze(1)):
tensor([[0.7000],
[0.3000],
[0.2000]])
preds_softmax.gather(1, labels.unsqueeze(1)).squeeze(1):
tensor([0.7000, 0.3000, 0.2000])需要注意的是，这边的代码写法应该与输入的shape、参数的shape有关系的，需要针对于具体的情形进行适配和修改。