focal loss

focal loss：
loss = -at（1-pt）^γ * log（pt）
cross entropy = -log（pt）
调制因子：
-at（1-pt）^γ
at为正负样本比例，当为正样本时，at等于1-正负样本比例，此时，正样本偏少，负样本居多，正负样本比例小于0.5，1-正负样本比＞0.5，则正样本权重较大；而负样本时，则at为正负样本比例，＜0.5，则负样本权重相对较小
（1-pt）^γ
当为正样本时，pt=prediction，此时，如果prediction越大，则1-pt越小，为易分类样本，加上γ次幂后，权重越小；反之，当prediction越小，则1-pt越大，和真实标签的差距越大，为难分类样本，加上γ次幂后，权重相对越大
当为负样本时，pt=1-prediction，此时，（1-pt）^ γ 就等于 （prediction）^γ ，当prediction越大时，说明与真实标签（负）的差距越大，为难分类样本，则调制因子会越大。当prediction越小时同理。