最近在做deepfake檢測任務（可以將其視為二分類問題，label為1和0），遇到了正負樣本不均衡的問題，正樣本數(shù)目是負樣本的5倍，這樣會導致FP率較高。
Examples::
>>> target = torch.ones([10, 64], dtype=torch.float32) # 64 classes, batch size = 10
>>> output = torch.full([10, 64], 0.999) # A prediction (logit)
>>> pos_weight = torch.ones([64]) # All weights are equal to 1
>>> criterion = torch.nn.BCEWithLogitsLoss(pos_weight=pos_weight)
>>> criterion(output, target) # -log(sigmoid(0.999))
tensor(0.3135)
Args:
weight (Tensor, optional): a manual rescaling weight given to the loss
of each batch element. If given, has to be a Tensor of size `nbatch`.
size_average (bool, optional): Deprecated (see :attr:`reduction`). By default,
the losses are averaged over each loss element in the batch. Note that for
some losses, there are multiple elements per sample. If the field :attr:`size_average`
is set to ``False``, the losses are instead summed for each minibatch. Ignored
when reduce is ``False``. Default: ``True``
reduce (bool, optional): Deprecated (see :attr:`reduction`). By default, the
losses are averaged or summed over observations for each minibatch depending
on :attr:`size_average`. When :attr:`reduce` is ``False``, returns a loss per
batch element instead and ignores :attr:`size_average`. Default: ``True``
reduction (string, optional): Specifies the reduction to apply to the output:
``'none'`` | ``'mean'`` | ``'sum'``. ``'none'``: no reduction will be applied,
``'mean'``: the sum of the output will be divided by the number of
elements in the output, ``'sum'``: the output will be summed. Note: :attr:`size_average`
and :attr:`reduce` are in the process of being deprecated, and in the meantime,
specifying either of those two args will override :attr:`reduction`. Default: ``'mean'``
pos_weight (Tensor, optional): a weight of positive examples.
Must be a vector with length equal to the number of classes.
對其中的參數(shù)pos_weight的使用存在疑惑，BCEloss里的例子pos_weight = torch.ones([64]) # All weights are equal to 1，不懂為什么會有64個class，因為BCEloss是針對二分類問題的loss，后經(jīng)過檢索，得知還有多標簽分類，
多標簽分類就是多個標簽，每個標簽有兩個label（0和1），這類任務同樣可以使用BCEloss。
比如我們有正負兩類樣本，正樣本數(shù)量為100個，負樣本為400個，我們想要對正負樣本的loss進行加權處理，將正樣本的loss權重放大4倍，通過這樣的方式緩解樣本不均衡問題。
criterion = nn.BCEWithLogitsLoss(pos_weight=torch.tensor([4])) # pos_weight (Tensor, optional): a weight of positive examples. # Must be a vector with length equal to the number of classes.
pos_weight里是一個tensor列表，需要和標簽個數(shù)相同，比如我們現(xiàn)在是二分類，只需要將正樣本loss的權重寫上即可。
如果是多標簽分類，有64個標簽，則
Examples::
>>> target = torch.ones([10, 64], dtype=torch.float32) # 64 classes, batch size = 10
>>> output = torch.full([10, 64], 0.999) # A prediction (logit)
>>> pos_weight = torch.ones([64]) # All weights are equal to 1
>>> criterion = torch.nn.BCEWithLogitsLoss(pos_weight=pos_weight)
>>> criterion(output, target) # -log(sigmoid(0.999))
tensor(0.3135)
補充：Pytorch —— BCEWithLogitsLoss()的一些問題
torch.sigmoid() + torch.nn.BCELoss()
def ce_loss(y_pred, y_train, alpha=1):
p = torch.sigmoid(y_pred)
# p = torch.clamp(p, min=1e-9, max=0.99)
loss = torch.sum(- alpha * torch.log(p) * y_train \
- torch.log(1 - p) * (1 - y_train))/len(y_train)
return loss~
import torch
import torch.nn as nn
torch.cuda.manual_seed(300) # 為當前GPU設置隨機種子
torch.manual_seed(300) # 為CPU設置隨機種子
def ce_loss(y_pred, y_train, alpha=1):
# 計算loss
p = torch.sigmoid(y_pred)
# p = torch.clamp(p, min=1e-9, max=0.99)
loss = torch.sum(- alpha * torch.log(p) * y_train \
- torch.log(1 - p) * (1 - y_train))/len(y_train)
return loss
py_lossFun = nn.BCEWithLogitsLoss()
input = torch.randn((10000,1), requires_grad=True)
target = torch.ones((10000,1))
target.requires_grad_(True)
py_loss = py_lossFun(input, target)
py_loss.backward()
print("*********BCEWithLogitsLoss***********")
print("loss: ")
print(py_loss.item())
print("梯度: ")
print(input.grad)
input = input.detach()
input.requires_grad_(True)
self_loss = ce_loss(input, target)
self_loss.backward()
print("*********SelfCELoss***********")
print("loss: ")
print(self_loss.item())
print("梯度: ")
print(input.grad)
測試結果:
– 由上結果可知，我編寫的loss和pytorch中提供的j基本一致。
– 但是僅僅這樣就可以了嗎？NO! 下面介紹BCEWithLogitsLoss()的強大之處：
– BCEWithLogitsLoss()具有很好的對nan的處理能力，對于我寫的代碼（四層神經(jīng)網(wǎng)絡，層之間的激活函數(shù)采用的是ReLU，輸出層激活函數(shù)采用sigmoid(），由于數(shù)據(jù)處理的問題，所以會導致我們編寫的CE的loss出現(xiàn)nan：原因如下：
–首先神經(jīng)網(wǎng)絡輸出的pre_target較大，就會導致sigmoid之后的p為1，則torch.log(1 - p)為nan；
– 使用clamp(函數(shù)雖然會解除這個nan，但是由于在迭代過程中，網(wǎng)絡輸出可能越來越大（層之間使用的是ReLU），則導致我們寫的loss陷入到某一個數(shù)值而無法進行優(yōu)化。但是BCEWithLogitsLoss()對這種情況下出現(xiàn)的nan有很好的處理，從而得到更好的結果。
– 我此實驗的目的是為了比較CE和FL的區(qū)別，自己編寫FL，則必須也要自己編寫CE，不能使用BCEWithLogitsLoss()。
二分類 + sigmoid()
使用sigmoid作為輸出層非線性表達的分類問題（雖然可以處理多分類問題，但是一般用于二分類，并且最后一層只放一個節(jié)點）
輸入格式
要求輸入的input和target均為float類型
以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。
