polyloss详解

news2024/9/23 11:28:02

1、常见的泰勒展开公式

2、polyloss引入动机

2.1、polyloss定义

polyloss通过泰勒展开来逼近损失函数的简单框架，将损失函数设计为多项式函数的线性组合

2.2、polyloss主要贡献

提出了一个新的框架来理解和设计损失函数

PolyLoss可以让多项式基根据目标任务和数据集进行调整

3、polyloss具体内容

3.1、cross-entory、focal-loss的泰勒展开式

3.2、cross-entropy、focal loss和polyloss的统一视图

cross-entropy、foacl loss以及polyloss的统一视图主要讨论了，polyloss的灵活性。

polyloss可以比cross-entropy更加陡峭或比focal loss更加平滑。focal loss泰勒展开式，多项式因子只能水平移动（右图绿色箭头），新框架下的polyloss支持垂直移动（右图红色箭头）。

3.3、不同loss通过polyloss框架展开

以cross-entropy为例，在polyloss框架下，cross-entropy有4种展开形式。1、原始的泰勒展开式；2、去掉泰勒展开式的高阶项；3、引入 $\varepsilon$ 超参的polyloss-n框架；4、polyloss-n特例，n=1时的polyloss-1 。

3.4、基于交叉熵对比N值的选择对loss的影响

(a)图显示，cross-entropy的泰勒展开式 $L_{drop}$ ，只有在n取得较大的情况下，才能达到和cross-entory等效的效果。（b）图显示，调整学习率对并未提升 $L_{drop}$ 的分类效果，在lr=0.1时，获得了最好的效果。

3.5、poly-n

3.5.1、poly-n结构

为了能灵活调整多项式的权重，变更多项式为如下结构：

3.5.2、poly-n效果对比

图(a)讨论了准确率随 $\varepsilon$ 变化的情况，当 $\varepsilon$ =1时，准确率越来越平缓。图(b)讨论了polyloss展开式第一项对梯度的贡献，其贡献至少占了65%。

n阶网格搜索，探索n对polyloss结构的影响。

4、polyloss效果对比

4.1、提速

达到相同的效果，polyloss比cross-entropy快了2倍。

4.2、2d-图像分类任务上效果对比

4.2.1、多项式中 $\varepsilon$ 对准确率的影响

$\varepsilon$ =2时趋于平缓， $\varepsilon$ 为负时，会出现负项的效果。

4.2.2、提升效果对比

accurcy

4.3、COCO 上的 2D 实例分割和目标检测

4.3.1、AP/AR指标对比

$\varepsilon$ =-1时，效果提升显著

4.3.2、AP/AR指标对比

r-cnn通过降低 $p_{t}$ 来提高效果， $\varepsilon$ 取负数时，效果优于正常的cross-entropy

4.4、3-d目标检查中，polyloss的设计及效果

4.4.1、loss设计

4.4.2、效果比较

车辆检测和行人检测效果不同polyloss效果对比

4.4.3、focal loss polyloss框架表示可视化如下

5、polyloss实现

def cross_entropy_tf(logits, labels, class_number):
    """TF交叉熵损失函数"""
    labels = tf.one_hot(labels, class_number)
    ce_loss = tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits)
    return ce_loss


def poly1_cross_entropy_tf(logits, labels, class_number, epsilon=1.0):
    """poly_loss针对交叉熵损失函数优化，使用增加第一个多项式系数"""
    labels = tf.one_hot(labels, class_number)
    ce_loss = tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits)
    poly1 = tf.reduce_sum(labels * tf.nn.softmax(logits), axis=-1)
    poly1_loss = ce_loss + epsilon * (1 - poly1)
    return poly1_loss


def focal_loss_tf(logits, labels, class_number, alpha=0.25, gamma=2.0, epsilon=1.e-7):
    """TF focal_loss函数"""
    alpha = tf.constant(alpha, dtype=tf.float32)
    y_true = tf.one_hot(0, class_number)
    alpha = y_true * alpha + (tf.ones_like(y_true) - y_true) * (1 - alpha)
    labels = tf.cast(labels, dtype=tf.int32)
    logits = tf.cast(logits, tf.float32)
    softmax = tf.reshape(tf.nn.softmax(logits), [-1])
    labels_shift = tf.range(0, logits.shape[0]) * logits.shape[1] + labels
    prob = tf.gather(softmax, labels_shift)
    prob = tf.clip_by_value(prob, epsilon, 1. - epsilon)
    alpha_choice = tf.gather(alpha, labels)
    weight = tf.pow(tf.subtract(1., prob), gamma)
    weight = tf.multiply(alpha_choice, weight)
    fc_loss = -tf.multiply(weight, tf.log(prob))
    return fc_loss


def poly1_focal_loss_tf(logits, labels, class_number=3, alpha=0.25, gamma=2.0, epsilon=1.0):
    fc_loss = focal_loss_tf(logits, labels, class_number, alpha, gamma)
    p = tf.math.sigmoid(logits)
    labels = tf.one_hot(labels, class_number)
    poly1 = labels * p + (1 - labels) * (1 - p)
    poly1_loss = fc_loss + tf.reduce_mean(epsilon * tf.math.pow(1 - poly1, 2 + 1), axis=-1)
    return poly1_loss

6、polyone_cross_entory 拆解看

cross_entory计算调用tf.nn.softmax_cross_entropy_with_logits_v2，具体步骤如下：

首先，对 logits 进行 softmax 归一化，得到预测的概率分布 softmax_logits。
- softmax 函数的计算公式：softmax(x) = exp(x) / reduce_sum(exp(x), axis)
- 其中，exp(x) 是指数函数，reduce_sum 是对指数函数结果按指定轴求和。
- 归一化后的结果 softmax_logits 的形状与 logits 相同，都是 (N, C)。
接下来，根据 labels 和 softmax_logits 计算交叉熵损失。
- 交叉熵损失的计算公式：loss = -reduce_sum(labels * log(softmax_logits), axis)
- 其中，log 是自然对数函数，reduce_sum 是对元素按指定轴求和。
- 最终的损失 loss 的形状是 (N,)，其中每个元素表示对应样本的损失。

cross entory的poly-one展开项计算如下：

pt = tf.reduce_sum(labels_for_softmax * tf.nn.softmax(logits_for_softmax), axis=-1)
ce = tf.compat.v1.nn.softmax_cross_entropy_with_logits_v2(labels_for_softmax,logits_for_softmax)
losses = ce + self._epsilon * (1 - pt)

pt与ce分别计算结果

labels = tf.constant([[0.0, 0.0, 1.0], [1.0, 0.0, 0.0]])
logits = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
loss1 = tf.compat.v1.nn.softmax_cross_entropy_with_logits_v2(labels, logits)
softmax_logits = tf.nn.softmax(logits)
loss2 = tf.reduce_sum(labels * softmax_logits, axis=-1)

loss1与loss2分别输出

#loss1输出
<tf.Tensor: shape=(2,), dtype=float32, numpy=array([0.40760595, 2.407606  ], dtype=float32)>
#loss2输出
<tf.Tensor: shape=(2,), dtype=float32, numpy=array([0.66524094, 0.09003057], dtype=float32)>