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

MySQL双主搭建+keepalived高可用的实现

《MySQL双主搭建+keepalived高可用的实现》本文主要介绍了MySQL双主搭建+keepalived高可用的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,... 目录一、测试环境准备二、主从搭建1.创建复制用户2.创建复制关系3.开启复制,确认复制是否成功4.同

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,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... Java实现文件(图片)的预览和下载 @ApiOperation("访问文件") @GetMapping("

使用Sentinel自定义返回和实现区分来源方式

《使用Sentinel自定义返回和实现区分来源方式》:本文主要介绍使用Sentinel自定义返回和实现区分来源方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Sentinel自定义返回和实现区分来源1. 自定义错误返回2. 实现区分来源总结Sentinel自定

Java实现时间与字符串互相转换详解

《Java实现时间与字符串互相转换详解》这篇文章主要为大家详细介绍了Java中实现时间与字符串互相转换的相关方法,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... 目录一、日期格式化为字符串(一)使用预定义格式(二)自定义格式二、字符串解析为日期(一)解析ISO格式字符串(二)解析自定义

opencv图像处理之指纹验证的实现

《opencv图像处理之指纹验证的实现》本文主要介绍了opencv图像处理之指纹验证的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学... 目录一、简介二、具体案例实现1. 图像显示函数2. 指纹验证函数3. 主函数4、运行结果三、总结一、

Springboot处理跨域的实现方式(附Demo)

《Springboot处理跨域的实现方式(附Demo)》:本文主要介绍Springboot处理跨域的实现方式(附Demo),具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不... 目录Springboot处理跨域的方式1. 基本知识2. @CrossOrigin3. 全局跨域设置4.

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

基于SpringBoot实现文件秒传功能

《基于SpringBoot实现文件秒传功能》在开发Web应用时,文件上传是一个常见需求,然而,当用户需要上传大文件或相同文件多次时,会造成带宽浪费和服务器存储冗余,此时可以使用文件秒传技术通过识别重复... 目录前言文件秒传原理代码实现1. 创建项目基础结构2. 创建上传存储代码3. 创建Result类4.

SpringBoot日志配置SLF4J和Logback的方法实现

《SpringBoot日志配置SLF4J和Logback的方法实现》日志记录是不可或缺的一部分,本文主要介绍了SpringBoot日志配置SLF4J和Logback的方法实现,文中通过示例代码介绍的非... 目录一、前言二、案例一:初识日志三、案例二:使用Lombok输出日志四、案例三:配置Logback一

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.