[发明专利]一种损失函数动态加权的方法

权利要求书

1.一种损失函数动态加权的方法，其特征在于，包括如下步骤：

a)计算机获取数据集中类别数目，将类别数目表示为C，获取数据集中第i类的样本数量，表示为N_i，1≤i≤C，i为正整数，通过公式计算数据集中样本数量；

b)构建数据集中每个类别的损失函数权重向量为{α₁,α₂,α₃,……,α_C}，损失权重向量满足限制条件其中α_i为第i类的损失函数权重；

c)根据步骤b)中的限制条件联立方程组求解得到损失函数权重向量中各个类别损失函数权重的值，将求解得到的每个类别损失函数权重的值初始化朴素交叉熵损失函数及Focal Loss损失函数；

d)使用初始化的朴素交叉熵损失函数及初始化的Focal Loss损失函数对分类器模型进行训练，如果训练达到完成状态则停止训练，如果训练没有完成则返回执行步骤c)；

e)统计分类器模型的训练集中每个类别样本的准确度为{T₁,T₂,T₃,……,T_C}，其中T_i为训练集中第i类的准确度，1≤i≤C，统计分类器模型训练的验证集中每个类别样本的准确度为{V₁,V₂,V₃,……,V_C}，其中V_i为验证集中第i类的准确度，1≤i≤C；

f)对损失函数权重向量为{α₁,α₂,α₃,……,α_C}进行第一次调整，如果则使用(1-γ)×α_i代替损失函数权重向量{α₁,α₂,α₃,……,α_C}中的α_i，式中γ为权重的调整比例，0＜γ＜1；

g)将步骤f)调整过的损失函数权重向量进行第二次调整，如果V_i＜T_i则使用β×α_i代替损失函数权重向量{α₁,α₂,α₃,……,α_C}中的α_i，式中β为权重的调整比例，0＜β＜1；

h)将经步骤g)中调整后的损失函数权重向量通过公式进行归一化计算，得到调整完的损失权重向量；i)将归一化的调整完的损失权重向量代入步骤c)中，用归一化的调整完的损失权重向量的值初始化朴素交叉熵损失函数及FocalLoss损失函数。

2.根据权利要求1所述的损失函数动态加权的方法，其特征在于：步骤c)中将求解得到的每个类别损失函数权重的值利用公式初始化朴素交叉熵损失函数，式中L_i为该样本在第i类上的标签，L_i取值为0或1，为分类器输出的第i类的预测概率。

3.根据权利要求1所述的损失函数动态加权的方法，其特征在于：步骤c)中将求解得到的每个类别损失函数权重的值利用公式初始化FocalLoss损失函数，式中L_i为该样本在第i类上的标签，L_i取值为0或1，为分类器输出的第i类的预测概率，λ为Focal Loss损失函数的参数值。

4.根据权利要求1所述的损失函数动态加权的方法，其特征在于：步骤f)中γ的值为0.1。

5.根据权利要求1所述的损失函数动态加权的方法，其特征在于：步骤g)中β的值为0.5。