Python tf.keras.losses.BinaryFocalCrossentropy用法及代码示例

计算真实标签和预测之间的焦点 cross-entropy 损失。

继承自：Loss

用法

tf.keras.losses.BinaryFocalCrossentropy(
    gamma=2.0, from_logits=False, label_smoothing=0.0, axis=-1,
    reduction=losses_utils.ReductionV2.AUTO,
    name='binary_focal_crossentropy'
)

Binary cross-entropy loss 通常用于二元(0 或 1)分类任务。损失函数需要以下输入：

• y_true(真实标签)：这是 0 或 1。
• y_pred(预测值)：这是模型的预测，即单个浮点值，它或者代表一个 logit，(即，当 from_logits=True 时 [-inf, inf] 中的值)或概率(即， [0., 1.] 当 from_logits=False 时的值)。

根据 Lin 等人，2018 年的说法，它有助于将 "focal factor" 应用于 down-weight 简单示例并更多地关注困难示例。默认情况下，焦点张量计算如下：

focal_factor = (1 - output) ** gamma 用于 1 类 focal_factor = output ** gamma 用于 0 类，其中 gamma 是聚焦参数。当 gamma=0 时，这个函数相当于二元交叉熵损失。

使用compile() API：

model.compile(
  loss=tf.keras.losses.BinaryFocalCrossentropy(gamma=2.0, from_logits=True),
  ....
)

作为独立函数：

# Example 1:(batch_size = 1, number of samples = 4)
y_true = [0, 1, 0, 0]
y_pred = [-18.6, 0.51, 2.94, -12.8]
loss = tf.keras.losses.BinaryFocalCrossentropy(gamma=2, from_logits=True)
loss(y_true, y_pred).numpy()
0.691

# Example 2:(batch_size = 2, number of samples = 4)
y_true = [[0, 1], [0, 0]]
y_pred = [[-18.6, 0.51], [2.94, -12.8]]
# Using default 'auto'/'sum_over_batch_size' reduction type.
loss = tf.keras.losses.BinaryFocalCrossentropy(gamma=3, from_logits=True)
loss(y_true, y_pred).numpy()
0.647

# Using 'sample_weight' attribute
loss(y_true, y_pred, sample_weight=[0.8, 0.2]).numpy()
0.133

# Using 'sum' reduction` type.
loss = tf.keras.losses.BinaryFocalCrossentropy(gamma=4, from_logits=True,
    reduction=tf.keras.losses.Reduction.SUM)
loss(y_true, y_pred).numpy()
1.222

# Using 'none' reduction type.
loss = tf.keras.losses.BinaryFocalCrossentropy(gamma=5, from_logits=True,
    reduction=tf.keras.losses.Reduction.NONE)
loss(y_true, y_pred).numpy()
array([0.0017 1.1561], dtype=float32)