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樣本，0.25的值應該是經過大量實驗得出的。
乙個合理的解釋就是經過權重調整，隨著訓練的進行，正樣本的權重應該逐漸下降。這個解釋感覺有點牽強附會了。。。
Focal Loss理解補充
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...
1102 兩點距離
兩點距離 time limit 1000ms memory limit 65536k total submit 495 accepted 227 description 輸入4個絕對值在1000000以內的整數 x1,y1,x2,y2,輸出平面座標系中點 x1,y1 到點 x2,y2 之間的距離 保...
1279 兩點距離
1279 兩點距離 description 輸入4個絕對值在1000000以內的整數x1，y1,x2,y2輸出平面座標系中點 x1,y1 到點 x2,y2 之間的距離 保留三位小數 input 輸入4個整數x1,y1,x2,y2。output 輸出平面座標系中點 x1,y1 到點 x2,y2 之間的...