mindspore2022/docs/api/api_python/nn/mindspore.nn.FocalLoss.rst

mindspore.nn.FocalLoss
=======================

.. py:class:: mindspore.nn.FocalLoss(weight=None, gamma=2.0, reduction='mean')

    FocalLoss函数。

    解决了类别不平衡的问题。

    FocalLoss函数在论文 `Focal Loss for Dense Object Detection <https://arxiv.org/pdf/1708.02002.pdf>`_ 中提出，提高了图像目标检测的效果。

    函数如下：

    .. math::
        FL(p_t) = -(1-p_t)^\gamma log(p_t)

    **参数：**

    - **gamma** (float) - gamma用于调整Focal Loss的权重曲线的陡峭程度。默认值：2.0。
    - **weight** (Union[Tensor, None]) - Focal Loss的权重，维度为1。如果为None，则不使用权重。默认值：None。
    - **reduction** (str) - loss的计算方式。取值为"mean"，"sum"，或"none"。默认值："mean"。

    **输入：**

    - **logits** (Tensor) - shape为 :math:`(N, C)` 、 :math:`(N, C, H)` 、或 :math:`(N, C, H, W)` 的Tensor，其中 :math:`C` 是分类的数量，值大于1。如果shape为 :math:`(N, C, H, W)` 或 :math:`(N, C, H)` ，则 :math:`H` 或 :math:`H` 和 :math:`W` 的乘积应与 `labels` 的相同。
    - **labels** (Tensor) - shape为 :math:`(N, C)` 、 :math:`(N, C, H)` 、或 :math:`(N, C, H, W)` 的Tensor， :math:`C` 的值为1，或者与 `logits` 的 :math:`C` 相同。如果 :math:`C` 不为1，则shape应与 `logits` 的shape相同，其中 :math:`C` 是分类的数量。如果shape为 :math:`(N, C, H, W)` 或 :math:`(N, C, H)` ，则 :math:`H` 或 :math:`H` 和 :math:`W` 的乘积应与 `logits` 相同。

    **输出：**

    Tensor或Scalar，如果 `reduction` 为"none"，其shape与 `logits` 相同。否则，将返回Scalar。

    **异常：**

    - **TypeError** - `gamma` 的数据类型不是float。
    - **TypeError** - `weight` 不是Tensor。
    - **ValueError** - `labels` 维度与 `logits` 不同。
    - **ValueError** - `labels` 通道不为1，且 `labels` 的shape与 `logits` 不同。
    - **ValueError** - `reduction` 不为"mean"，"sum"，或"none"。