人体重识别
blame | 历史 | 原始文档
Scheaven
2021-09-18 291deeb1fcf45dbf39a24aa72a213ff3fd6b3405 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54

U  


¹_Ÿã@sRdZddlZddlmmZd


ejejeeeejdœdd„Z    Gdd    „d    e


ƒZdS)z:


@author:  xingyu liao


@contact: sherlockliao01@gmail.com


éNç@Úmean)ÚinputÚtargetÚalphaÚgammaÚ    reductionÚreturnc Cs†t |¡std t|ƒ¡ƒ‚t|jƒdks:td |j¡ƒ‚| d¡| d¡krjtd | d¡| d¡¡ƒ‚| d¡}|f| ¡dd…}| ¡dd…| ¡dd…kr¾td || ¡¡ƒ‚|j    |j    ksÞtd     |j    |j    ¡ƒ‚t


j|dd


}t


j||jdd}t  |d|¡}    ||    t |¡}


tj||


dd


}|d krH|}n:|dkr^t |¡}n$|dkrtt |¡}ntd |¡ƒ‚|S)zhFunction that computes Focal loss.


    See :class:`fastreid.modeling.losses.FocalLoss` for details.


    z(Input type is not a torch.Tensor. Got {}éz-Invalid input shape, we expect BxCx*. Got: {}rz?Expected input batch_size ({}) to match target batch_size ({}).NézExpected target size {}, got {}z4input and target must be in the same device. Got: {})Údim)Únum_classesgð?ÚnonerÚsumzInvalid reduction mode: {})ÚtorchÚ    is_tensorÚ    TypeErrorÚformatÚtypeÚlenÚshapeÚ


ValueErrorÚsizeÚdeviceÚFÚsoftmaxÚone_hotÚpowÚlogrrÚNotImplementedError) rrrrrÚnÚout_sizeZ


input_softZtarget_one_hotÚweightÚfocalZloss_tmpÚloss©r%ú./modeling/losses/focal_loss.pyÚ


focal_losssT    


ÿÿÿ


 ÿÿÿ


 


 


ÿr'c@s.eZdZdZdd„Zejejedœdd„ZdS)Ú    FocalLossuÿCriterion that computes Focal loss.


    According to [1], the Focal loss is computed as follows:


    .. math::


        \text{FL}(p_t) = -\alpha_t (1 - p_t)^{\gamma} \, \text{log}(p_t)


    where:


       - :math:`p_t` is the model's estimated probability for each class.


    Arguments:


        alpha (float): Weighting factor :math:`\alpha \in [0, 1]`.


        gamma (float): Focusing parameter :math:`\gamma >= 0`.


        reduction (str, optional): Specifies the reduction to apply to the


         output: â€˜none’ | â€˜mean’ | â€˜sum’. â€˜none’: no reduction will be applied,


         â€˜mean’: the sum of the output will be divided by the number of elements


         in the output, â€˜sum’: the output will be summed. Default: â€˜none’.


    Shape:


        - Input: :math:`(N, C, *)` where C = number of classes.


        - Target: :math:`(N, *)` where each value is


          :math:`0 â‰¤ targets[i] â‰¤ C−1`.


    Examples:


        >>> N = 5  # num_classes


        >>> loss = FocalLoss(cfg)


        >>> input = torch.randn(1, N, 3, 5, requires_grad=True)


        >>> target = torch.empty(1, 3, 5, dtype=torch.long).random_(N)


        >>> output = loss(input, target)


        >>> output.backward()


    References:


        [1] https://arxiv.org/abs/1708.02002


    cCs.|jjjj|_|jjjj|_|jjjj|_dS)N)    ÚMODELÚLOSSESZFLÚALPHAÚ_alphaZGAMMAÚ_gammaÚSCALEÚ_scale)ÚselfÚcfgr%r%r&Ú__init__eszFocalLoss.__init__)Úpred_class_logitsÚ


gt_classesr    cCs t|||j|jƒ}d||jiS)NZ


loss_focal)r'r,r-r/)r0r3Ú_r4r$r%r%r&Ú__call__jsÿzFocalLoss.__call__N)    Ú__name__Ú


__module__Ú__qualname__Ú__doc__r2rÚTensorÚdictr6r%r%r%r&r(Fsr()rr)r:rÚtorch.nn.functionalÚnnÚ


functionalrr;ÚfloatÚstrr'Úobjectr(r%r%r%r&Ú<module>s


ûû8