如何在 PyTorch 中使用具有焦点损失的类权重来处理多类分类的不平衡数据集

Question

我正在研究语言任务的多类分类（4 类），我正在使用 BERT 模型进行分类任务。我关注this blog as reference。 我的 BERT Fine Tuned 模型返回 nn.LogSoftmax(dim=1)。

我的数据非常不平衡，所以我使用sklearn.utils.class_weight.compute_class_weight 来计算类的权重并使用损失内的权重。

class_weights = compute_class_weight('balanced', np.unique(train_labels), train_labels)
weights= torch.tensor(class_weights,dtype=torch.float)
cross_entropy  = nn.NLLLoss(weight=weights) 

我的结果不太好，所以我想用Focal Loss 进行实验，并有一个 Focal Loss 的代码。

class FocalLoss(nn.Module):
  def __init__(self, alpha=1, gamma=2, logits=False, reduce=True):
    super(FocalLoss, self).__init__()
    self.alpha = alpha
    self.gamma = gamma
    self.logits = logits
    self.reduce = reduce

  def forward(self, inputs, targets):
    BCE_loss = nn.CrossEntropyLoss()(inputs, targets)

    pt = torch.exp(-BCE_loss)
    F_loss = self.alpha * (1-pt)**self.gamma * BCE_loss

    if self.reduce:
      return torch.mean(F_loss)
    else:
      return F_loss

我现在有 3 个问题。首先也是最重要的是

1. 我应该使用带焦点损失的类权重吗？
2. 如果我必须在这个Focal Loss 中实现权重，我可以在 nn.CrossEntropyLoss() 中使用weights 参数
3. 如果这个工具不正确，这个工具的正确代码应该是什么，包括权重（如果可能的话）

Answer 1

我认为您问题中的实现是错误的。 alpha 是类权重。

在交叉熵中，类权重是 alpha_t，如以下表达式所示：

你看到它是 alpha_t 而不是 alpha。

在焦点损失中，公式是

我们可以从this popular Pytorch implementation 看到，alpha 的作用与类权重相同。

参考资料：

1. https://amaarora.github.io/2020/06/29/FocalLoss.html#alpha-and-gamma
2. https://github.com/clcarwin/focal_loss_pytorch

Answer 2

我想 OP 现在应该已经得到了他的答案。我写这篇文章是为了其他可能会思考这个问题的人。

在 OPs 实现 Focal Loss 中存在一个问题：

1. F_loss = self.alpha * (1-pt)**self.gamma * BCE_loss

在这一行中，相同的alpha 值乘以每个类的输出概率，即 (pt)。此外，代码没有显示我们如何获得pt。 Focal Loss 的一个非常好的实现可以在 here 找到。但此实现仅适用于二进制分类，因为它在 self.alpha 张量中具有 alpha 和 1-alpha 两个类。

在多类分类或多标签分类的情况下，self.alpha张量应包含等于标签总数的元素数。这些值可以是标签的反向标签频率或反向标签归一化频率（请注意频率为 0 的标签）。

Answer 3

您可以通过以下方式找到问题的答案：

1. Focal loss 自动处理类不平衡，因此 Focal loss 不需要权重。 alpha 和 gamma 因子处理焦点损失方程中的类别不平衡。
2. 不需要额外的权重，因为焦点损失使用 alpha 和 gamma 调制因子来处理它们
3. 根据焦点损失公式，您提到的实现是正确的，但我无法使我的模型与此版本收敛，因此，我使用了the following implementation from mmdetection framework

    pred_sigmoid = pred.sigmoid()
    target = target.type_as(pred)
    pt = (1 - pred_sigmoid) * target + pred_sigmoid * (1 - target)
    focal_weight = (alpha * target + (1 - alpha) *
                    (1 - target)) * pt.pow(gamma)
    loss = F.binary_cross_entropy_with_logits(
        pred, target, reduction='none') * focal_weight
    loss = weight_reduce_loss(loss, weight, reduction, avg_factor)
    return loss

你也可以试试another focal loss version available