参考：https://mp.weixin.qq.com/s/ra2qpFSbSuuJPDj39A5MWA
源于GiantPandaCV ，作者BBuf
文章仅为学习笔记，感谢文章各位贡献者，侵删
交叉熵loss
M表示类别数，为one-hot向量（即元素只取0、1，若与样本类别相同则取1，否则取0）
缺点：若前景像素远小于背景像素，损失函数中y=0部分会占据主导，模型严重偏向背景
代码实现：
#二值交叉熵，input需要经过sigmoid处理
nn.BCELoss(F.sigmoid(input), target)
#多分类交叉熵
nn.CrossEntropyLoss(input, target)
带权交叉熵loss
添加权重参数，计算公式为
，N表示总的像素数，Nc表示gt类别为c的像素个数，对于样本不均衡可以获得更好的效果
Focal Loss
retinanet引入focal loss解决难易样本不均衡的问题。一阶段目标检测器会产生10k数量级的候选框，但只有少数是正样本。计算分类时常用的交叉熵损失公式为：
为了解决政府样本不均衡的问题，利用加权的形式：
由于候选目标包含容易区分的和不易区分样本，由于易分样本占大多数（易分样本指置信度高的样本），尽管损失很低，但是仍然主导了损失韩式。易分样本对模型效果提升很少，应该主要关注难分样本——focal loss：
focal loss pytorch代码：
参考网址
dice loss
dice系数：
上述函数用来度量集合的相似度。分子2是由于分母重复计算并集的原因，s取值[0,1]。针对分割任务，X、Y指gt和预测的图像。还可以改写为：
dice loss 定义公式：
注意一般情况下使用dice loss会对反向传播不利，使得训练不稳定。一般用于样本极度不均衡的情况
原因说明：参考网址
IOU loss
定义：（1-jaccard系数）
与dice loss一样属于metric learning的衡量方式，一样存在训练过程不稳定的问题，在分割任务中不怎么使用
Tversky loss
dice loss实质上属于tversky loss的特殊形式。
Tversky系数：是dice系数和jaccard系数的广义系数
alpha和β均为0.5时为dice系数，为1时为jaccard系数。A-B为假阳性，B-A为假阴性
Generalized Dice loss
由于dice loss对小目标预测十分不利，一旦小目标有部分像素预测错误就可能引起dice系数巨大波动（分母），导致梯度变化大训练不稳定。又因为dice loss针对的是某一个特定类别的分割的损失，多个类别要用到多个dice loss。GDL就是对多个dice loss 进行加权整合。
BCE + Dice loss
适用于数据均衡的情况下，若数据不均衡，容易退化成dice loss
Focal loss + Dice loss
https://arxiv.org/pdf/1808.05238.pdf
Exponential Logarithmic loss
https://arxiv.org/abs/1809.00076
整合focal loss和dice loss。表达式：
其中
Lovasz-Softmax Loss
https://arxiv.org/pdf/1705.08790.pdf
iou loss的扩展
