focal loss分析图 (完善知乎的一个评论)

caixxiong

于 2020-06-07 16:36:09 发布

阅读量2k

点赞数 8

分类专栏： dl&ml 文章标签：深度学习机器学习分类损失

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/qq_24406903/article/details/106602368

版权

本文探讨了Focal Loss的作用原理，指出样本的重要性取决于其对权值梯度的影响而非直接的损失值。通过分析Focal Loss的导数，发现其在不同r值下对模型预测概率y的影响，揭示了为何r=2时的表现最优。作者提出，关键在于维持不同y值处导数的相对关系，而不是绝对大小，以有效区分难易分类样本。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Focal loss 全图

在这里插入图片描述

Focal loss 局部放大图

在这里插入图片描述

首先我觉得(个人猜测)一个样本的作用大小, 不是直接由它对应的loss决定的, 而是由这个样本对应loss对权值w的梯度决定的. 因为梯度越大, 则权值更新得越多(是朝着该样本loss减小的方向更新越多)
用one-hot做交叉熵loss的话, 样本 $x^i$ (假设属于类别k)对应的loss: $loss_{x_k^i} = -log(y_k(x^i)) \overset{简写为}{=}-log(y_k^i)$

最低0.47元/天解锁文章

评论 10

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。