閱讀此博文的基礎上有部分存疑的地方，做了補充。原文寫的很好，建議閱讀。
原博：個人理解補充部分：
1.gamma作用是調節難易，alpha作用是平衡正負樣（正負樣本數量不均衡）。
2.gamma作用是調節難易樣本對於總loss的權重（正負樣本中都有難易，都進行了調節）。gamma=2時，正樣本中越是難區分的樣本權重更高，越是容易區分的樣本權重越低；負樣本也是同樣，越是難區分的樣本權重更高，越是容易區分的樣本權重越低；
3.alpha作用是平衡正負樣本數量對於總loss的權重。一般情況，負樣本會遠遠多於正樣本數量，造成樣本不平衡，alpha大於0.5的值才可以進行調節。但是因為已經有gamma=2的調節，所以文中最終取alpha=0.75是最好的。可以大概理解為，因為有gamma的調節後，alpha=0.75效果最好，是因為更需要負樣本中的困難樣本，對正樣本的困難樣本的相對需求少一些。
focal loss 兩點理解
部落格給出了三個算例。可以看出，focal loss 對可很好分類的樣本賦予了較小的權重，但是對分錯和不易分的樣本新增了較大的權重。對於類別不平衡，使用了 alpha t 進行加權，文章中提到較好的值是0.25，說明在訓練過程中仍然需要對正樣本進行降權。正常的理解是訓練過程中負樣本的數量應該遠大於正...
5分鐘理解Focal Loss與GHM
focal loss的引入主要是為了解決難易樣本數量不平衡 注意，有區別於正負樣本數量不平衡 的問題，實際可以使用的範圍非常廣泛，為了方便解釋，還是拿目標檢測的應用場景來說明 單階段的目標檢測器通常會產生高達100k的候選目標，只有極少數是正樣本，正負樣本數量非常不平衡。我們在計算分類的時候常用的損...
Focal Loss閱讀筆記
2.損失的作用 3.啟示 參考文獻 總之，由於negative過多 easy negative佔很大部分 導致positive對loss貢獻被淹沒，以及單個negative對loss的貢獻小 ohem是一種example篩選方法，使得模型在訓練過程中僅學習hard examples 在計算損失時，先...