基于PaddlePaddle实现多分类的Focal Loss

2024-03-18 16:38

本文主要是介绍基于PaddlePaddle实现多分类的Focal Loss,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

论文:Focal Loss for Dense Object Detection
论文链接:https://arxiv.org/abs/1708.02002

在网上找了一下,有一位博主尝试写了一个,但是没有实现类别平衡。于是我继续了这位博主的工作,添加了类别平衡。在我的数据集上表现的很好。

  这几天做一个图像分类的项目,每个标签的训练集数量差别很大,分类难易程度差别也很大,于是想用Focal Loss试一下,但是PaddlePaddle的函数库没有实现这个损失函数。
  Focal Loss的理解可以看这一篇文章。

首先看一下使用Focal Loss之前的模型训练效果,分类很不平衡。
未使用Focal Loss的分类结果
PaddlePaddle实现Focal Loss可以使用现有的op组合,也可以自己写一个op,后者难度较大,今天先使用现有的op,以后有时间再写op吧。

def focal_loss(pred, label, gama, alpha):one_hot = paddle.fluid.layers.one_hot(label, train_parameters['class_dim'])cross_entropy = one_hot * fluid.layers.log(pred)cross_entropy = fluid.layers.reduce_sum(cross_entropy, dim=-1)weight = -1.0 * one_hot * paddle.fluid.layers.pow((1.0 - pred), gama)weight = fluid.layers.reduce_sum(weight, dim=-1)ax = alpha * one_hotalph = fluid.layers.reduce_sum(ax, dim=-1)return alph * weight * cross_entropy

gama参数一般取2;
alpha参数的实现:
定义占位符

img = fluid.data(name='img', shape=[-1] + train_parameters['input_size'], dtype='float32')
label = fluid.data(name='label', shape=[-1, 1], dtype='int64')
falpha = fluid.data(name='falpha', shape=[-1,train_parameters['class_dim']], dtype='float32')
feeder = fluid.DataFeeder(feed_list=[img, label, falpha], place=place)

构建falpha参数

def get_focal_alpha():alpha = []value_count = train_parameters["label_img_count"]     # 每个标签的训练集图片数量image_count = train_parameters["image_count"]    # 训练集图片总数量for i in range(value_count.shape[0]):alpha.append(((image_count-value_count[i])/image_count*1000-997)/3)return alpha
focal_alpha = np.array(get_focal_alpha(),dtype=np.float32)

在训练模型的每一个batch,将原来的feed数据添加falpha之后feed进去

# 这里的data是batch_reader()得到的数据
new_data = []
for i in range(len(data)):new_item = data[0] + (focal_alpha,)new_data.append(new_item)del data[0]loss, acc1, pred = exe.run(main_program,feed=feeder.feed(new_data),fetch_list=train_fetch_list)

使用Focal Loss之后的分类结果
使用Focal Loss之后的分类结果

参考文章:
理解Focal Loss
实现不带类别平衡的Focal Loss

这篇关于基于PaddlePaddle实现多分类的Focal Loss的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/822960

相关文章

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念(Stack)栈的实现代码队列(Queue)模拟实现队列(双链表实现)循环队列(循环数组

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Android实现在线预览office文档的示例详解

《Android实现在线预览office文档的示例详解》在移动端展示在线Office文档(如Word、Excel、PPT)是一项常见需求,这篇文章为大家重点介绍了两种方案的实现方法,希望对大家有一定的... 目录一、项目概述二、相关技术知识三、实现思路3.1 方案一:WebView + Office Onl

C# foreach 循环中获取索引的实现方式

《C#foreach循环中获取索引的实现方式》:本文主要介绍C#foreach循环中获取索引的实现方式,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录一、手动维护索引变量二、LINQ Select + 元组解构三、扩展方法封装索引四、使用 for 循环替代

Spring Security+JWT如何实现前后端分离权限控制

《SpringSecurity+JWT如何实现前后端分离权限控制》本篇将手把手教你用SpringSecurity+JWT搭建一套完整的登录认证与权限控制体系,具有很好的参考价值,希望对大家... 目录Spring Security+JWT实现前后端分离权限控制实战一、为什么要用 JWT?二、JWT 基本结构

Java实现优雅日期处理的方案详解

《Java实现优雅日期处理的方案详解》在我们的日常工作中,需要经常处理各种格式,各种类似的的日期或者时间,下面我们就来看看如何使用java处理这样的日期问题吧,感兴趣的小伙伴可以跟随小编一起学习一下... 目录前言一、日期的坑1.1 日期格式化陷阱1.2 时区转换二、优雅方案的进阶之路2.1 线程安全重构2

Android实现两台手机屏幕共享和远程控制功能

《Android实现两台手机屏幕共享和远程控制功能》在远程协助、在线教学、技术支持等多种场景下,实时获得另一部移动设备的屏幕画面,并对其进行操作,具有极高的应用价值,本项目旨在实现两台Android手... 目录一、项目概述二、相关知识2.1 MediaProjection API2.2 Socket 网络