最近在做deepfake检测任务（可以将其视为二分类问题，label为1和0），遇到了正负样本不均衡的问题，正样本数目是负样本的5倍，这样会导致FP率较高。
尝试将正样本的loss权重增高，看BCEWithLogitsLoss的源码
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.
对其中的参数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，不懂为什么会有64个class，因为BCEloss是针对二分类问题的loss，后经过检索，得知还有多标签分类，
多标签分类就是多个标签，每个标签有两个label（0和1），这类任务同样可以使用BCEloss。
现在讲一下BCEWithLogitsLoss里的pos_weight使用方法
比如我们有正负两类样本，正样本数量为100个，负样本为400个，我们想要对正负样本的loss进行加权处理，将正样本的loss权重放大4倍，通过这样的方式缓解样本不均衡问题。
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里是一个tensor列表，需要和标签个数相同，比如我们现在是二分类，只需要将正样本loss的权重写上即可。
如果是多标签分类，有64个标签，则
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)
补充：Pytorch —— BCEWithLogitsLoss()的一些问题
一、等价表达
1、pytorch：
torch.sigmoid() + torch.nn.BCELoss()
2、自己编写
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~
3、验证
import torch
import torch.nn as nn
torch.cuda.manual_seed(300) # 为当前GPU设置随机种子
torch.manual_seed(300) # 为CPU设置随机种子
def ce_loss(y_pred, y_train, alpha=1):
# 计算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)
测试结果:
? 由上结果可知，我编写的loss和pytorch中提供的j基本一致。
? 但是仅仅这样就可以了吗？NO! 下面介绍BCEWithLogitsLoss()的强大之处：
? BCEWithLogitsLoss()具有很好的对nan的处理能力，对于我写的代码（四层神经网络，层之间的激活函数采用的是ReLU，输出层激活函数采用sigmoid(），由于数据处理的问题，所以会导致我们编写的CE的loss出现nan：原因如下：
?首先神经网络输出的pre_target较大，就会导致sigmoid之后的p为1，则torch.log(1 - p)为nan；
? 使用clamp(函数虽然会解除这个nan，但是由于在迭代过程中，网络输出可能越来越大（层之间使用的是ReLU），则导致我们写的loss陷入到某一个数值而无法进行优化。但是BCEWithLogitsLoss()对这种情况下出现的nan有很好的处理，从而得到更好的结果。
? 我此实验的目的是为了比较CE和FL的区别，自己编写FL，则必须也要自己编写CE，不能使用BCEWithLogitsLoss()。
二、使用场景
二分类 + sigmoid()
使用sigmoid作为输出层非线性表达的分类问题（虽然可以处理多分类问题，但是一般用于二分类，并且最后一层只放一个节点）
三、注意事项
输入格式
要求输入的input和target均为float类型
以上为个人经验，希望能给大家一个参考，也希望大家多多支持服务器之家。
原文链接：https://blog.csdn.net/qq_37451333/article/details/105644605