通常二分类使用交叉熵损失函数，但是在样本不均衡下，训练时损失函数会偏向样本多的一方，造成训练时损失函数很小，但是对样本较小的类别识别精度不高。

解决办法之一就是给较少的类别加权，形成加权交叉熵(Weighted cross entropy loss)。今天看到两个方法将权值作为类别样本数量的函数，其中有一个很有意思就录在这里。

         （http://cn.arxiv.org/pdf/1711.05225v3）

上边说明的时，正负样本的权值和他们的对方数量成比例，举个例子，比如正样本有30，负样本有70，那么正样本的权w+=70/(30+70)=0.7，负样本的权就是w-=30/(30+70)=0.3，

这样算下来的权值是归一的。这种方法比较直观，普通，应该是线性的。

                          （https://arxiv.org/pdf/1705.02315v4.pdf）

这个的权值直接就是该类别样本数的反比例函数，是非线性的，相比于上边的很有意思，提供了另一种思路。为了统一期间还是使用w+,w-表示这里的beta P和beta N，

举个例子，比如正样本有30，负样本有70，那么正样本的权w+=(30+70)/30=3.33，负样本的权就是w-=(30+70)/70=1.42。

 

第三中方法：Focal loss

https://www.jianshu.com/p/204d9ad9507f

https://arxiv.org/pdf/1708.02002.pdf

 

第四种方法：GHM-C loss

 

https://arxiv.org/pdf/1811.05181.pdf

 

 

 

以后看到后继续补充。