深度学习基础理论————常见评价指标以及Loss Function
评价指标
准确率/精确率/召回率
Positive (预测到的正例) Negative (预测到的反例)
True (预测结果为真) TP TN
False (预测结果为假) FP FN
争对正案例的计算：
1、准确率计算方式（ACC）：
2、精确率计算方式（Precision）：
3、召回率计算方式（Recall）：
4、F1计算方式：
指标 优点 缺点
准确率 - 直观且易理解 - 在类别不平衡的情况下可能误导模型评估
精确率 - 衡量预测为正类的样本中，实际为正类的比例；适用于避免假阳性 - 可能忽视召回率，导致漏掉正类样本（假阴性）
召回率 - 衡量模型对正类样本的识别能力；适用于避免假阴性 - 可能导致精确率较低，增加误报（假阳性）
F1 分数 - 平衡精确率和召回率，适用于不平衡的任务 - 不能单独反映精确率或召回率，可能不适用于需要单独关注某一项的场景
BLEU
BLEU 采用一种N-gram的匹配规则，原理比较简单，就是比较译文和参考译文之间n组词的相似的一个占比
原文：今天天气不错
机器译文：It is a nice day today
人工译文：Today is a nice day
1-gram:
命中5个词，那么计算得到匹配度为：
3-gram:
计算得到匹配度为：
在通过结合召回率和惩罚因子之后得到BLEU计算公式为：
使用例子，直接使用第三方库sacrebleu
import sacrebleu
hyps = ['我有一个帽衫', '大大的帽子']
refs = ['你好，我有一个帽衫', '帽子大大的']
bleu = sacrebleu.corpus_bleu(hyps, [refs], tokenize='zh')
print(float(bleu.score))
# 59.809989126151606
Loss Function
Cross-Entropy Loss(交叉熵损失)
交叉熵损失用于分类任务，它度量的是预测概率分布与真实标签分布之间的差异。通常用于多分类问题。交叉熵损失公式（多分类）如下：
其中
为类别数量，
真实标签数据，
模型预测概率。二分类交叉熵损失为：
在pytorch中对于交叉熵损失函数主要参数：
1、label_smoothing (float, optional)：通过平滑标签的方式来避免模型过度自信，提高模型的泛化能力并缓解类别不平衡问题的技术。假设模型有 C 个类别，标签为 y，真实标签的平滑值为 ε，则：对于真实类别 y = 1，标签值变为 1 - ε；对于其他类别 y ≠ 1，标签值变为 ε / (C - 1)
2、ignore_index (int, optional)：忽略某些特定的标签，通常用于标记某些数据的特殊情况，如填充（padding）区域、无效标签或其他不需要参与损失计算的标签
3、reduction (str, optional)：'none'、'mean' 和 'sum'分别表示对最后 不汇总、平均值、求和
4、weight：相当于在计算损失过程中给每一个标签额外补充一个权重
对于交叉熵损失计算从代码角度出发需要考虑的就是输入数据格式：
InputShape：
或者
。Target：
或者
其中 C代表类别，N代表batch_size。从数据格式上可以看出也就是保证N、C在同一维度即可
⭐值得注意的是，在pytorch的交叉熵损失里面已经计算了softmax/sigmoid，所以模型输出如果用交叉熵损失函数就不需要用softmax/sigmoid处理
Mean Squared Error(均方误差)
均方误差损失用于回归任务，度量预测值与真实值之间的差异。MSE 计算的是预测值和实际值的平方误差的平均值。MSE 公式：
其中
为类别数量，
真实标签数据，
模型预测概率。例子：比如说预测类别（假设为3），模型输出之后通过sigmoid/softmax处理之后得到：
预测 真实
0.3 0.3 0.4 0 0 1 (A)
0.3 0.4 0.3 0 1 0 (B)
0.1 0.2 0.7 1 0 0 (C)
均方误差计算：
交叉熵计算：
Focal Loss
Focal Loss主要用于处理样本失衡问题（样本里面标签不平衡问题，比如说分类任务标签大部分是类别A只有少部分是标签B），其原理也很简单可以直接在原交叉熵基础上补充一个 因子即可。
：调节因子，用于控制对易分类样本的惩罚程度。它是一个非负实数，通常设置为大于 0 的值。当
>0 时，随着
的增加，
的值会迅速减小，从而降低易分类样本的损失值。这样可以使得模型更加关注那些难以分类的样本。（换言之，如果样本里面大部分都是A那么计算得到
也就会越大，那么可以增加
值来减小这部分值对于损失值的影响）
: 平衡因子，用于调整正类和负类之间的权重。它是一个可调参数，通常设置为
对于正类和 1−
对于负类。当数据集中正负样本数量不均衡时，可以通过调整
来平衡两类样本的贡献。例如，在一个正负样本比例为 1:9 的数据集中，可以将
设置为 0.9，以增加正类样本的权重（一般而言对于这个参数直接使用我的标签权重即可）
import torch
import torch.nn as nn
import torch.nn.functional as F
class FocalLoss(nn.Module):
"""Focal Loss implementation."""
def __init__(self, gamma=1.5, alpha=0.25):
super().__init__()
self.gamma = gamma
self.alpha = alpha
def forward(self, pred, label, mask_labels=None):
"""Calculates focal loss with optional mask_labels."""
loss = F.binary_cross_entropy_with_logits(pred, label, reduction='none')
pred_prob = pred.sigmoid()
p_t = label * pred_prob + (1 - label) * (1 - pred_prob)
loss *= (1.0 - p_t) ** self.gamma
if self.alpha > 0:
loss *= label * self.alpha + (1 - label) * (1 - self.alpha)
if mask_labels is not None:
loss *= mask_labels.float()
return loss.sum() / mask_labels.sum()
return loss.mean()
if __name__ == '__main__':
h, w = 500, 500
labels_parent = torch.randint(0, 2, (h, w), dtype=torch.float32)
tmp_labels = torch.zeros(1000, 1000)
tmp_labels[:h, :w] = labels_parent
tmp_labels_mask = torch.zeros(1000, 1000)
tmp_labels_mask[:h, :w] = 1
pred = torch.randn(1, 1000, 1000)
focal_loss = FocalLoss()
loss = focal_loss(pred, tmp_labels.unsqueeze(0), tmp_labels_mask)
print(loss)
对于 FocalLoss另外一个改进为：CB Loss用于改进样本分布不均衡问题：
L1 loss
L1 loss：算预测值与真实值之间的绝对差值来衡量模型的预测误差，公式为：
Huber Loss
Huber Loss用于回归任务的损失函数，它结合了均方误差（MSE）和绝对误差（MAE）的优点，可以减少对异常值（outliers）的敏感性，同时保持较好的梯度性质