此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 类
  • SigmoidFocalLoss
Claude CodeCodexCursor
Luxonis 智能体工具包为你常用的编程智能体加载 Luxonis 上下文与技能,更快地基于 OAK 开发应用。
安装工具包

sigmoid_focal_loss

最后更新
Python API: luxonis_train.attached_modules.losses.sigmoid_focal_loss二元焦点损失,降低了简单样本的权重。

类

SigmoidFocalLoss

独立 sigmoid 输出上的焦点损失。该损失将 logits 的每个元素视为一个二元决策,因此它适用于二元和多标签任务。焦点因子降低了模型已经很好预测的元素的损失。
  • 输入::
    • predictions (Tensor): [B, C, ...] logits
    • target (Tensor): 相同形状,[0, 1] 中的浮点值
  • 输出::
    • Tensor: 标量,或当 reduction 为 "none" 时为 [B, C, ...]
  • 公式:: 对于目标为 y 的 logit x,令 p = σ(x) 且 pt = p**y + (1 − p)(1 − y)。一个元素的损失为 ℓ = − αt (1 − pt)γ[ylogp + (1 − y)log(1 − p)] 其中 αt = α**y + (1 − α)(1 − y),alpha 为 -1 时 αt = 1。reduction 然后对所有元素取平均值或求和,或保留每个元素的损失。

方法

init
Python
1def __init__(alpha: float = 0.25, gamma: float = 2.0, reduction: Literal['none', 'mean', 'sum'] = 'mean', **kwargs):
初始化损失并存储焦点参数。构造函数不检查值。forward 将它们传递给 torchvision,后者会为不接受的值引发 ValueError。参数
  • alpha (float): 正元素的权重 α,范围为 [0, 1]。负元素获得 1 − α。-1 关闭加权。
  • gamma (float): 焦点因子 (1 − pt) 的指数。值越大,对预测良好的元素的损失降低越多。0 给出二元交叉熵,按 alpha 加权。
  • reduction (Literal['none', 'mean', 'sum']): 如何减少元素的损失:
    • "none": 返回每个元素的损失。
    • "mean": 返回所有元素的平均值。
    • "sum": 返回所有元素的总和。
  • **kwargs: 转发到 BaseLoss 的关键字参数,例如 final_loss_weight 和 node。
forward
Python
1def forward(predictions: Tensor, target: Tensor) -> Tensor:
计算 logits 和 targets 之间的 sigmoid 焦点损失。当形状不同,以及当 alpha 或 reduction 具有不接受的值时,torchvision 会引发 ValueError。参数
  • predictions (Tensor): 形状为 [B, C, ...] 的 logits,是节点的主要输出。
  • target (Tensor): 形状与 predictions 相同的 [0, 1] 中的浮点目标。
返回
  • Tensor: 对于 "mean" 和 "sum" 归约,是一个标量。对于 "none",是每个元素的损失,形状为 [B, C, ...]。

属性

supported_tasks