深度学习 | 分类任务中类别不均衡解决策略

太过爱你忘了你带给我的痛 2022-03-15 09:46 393阅读 0赞

#### 0.前言 ####

在解决一个分类问题时，遇到样本不平衡问题。查找CSDN后，以及知乎后，发现网上有很多类似于欠采样 ，重复采样，换模型等等宏观的概念，并没有太多可实际应用（代码）的策略。经过一番查找和调试和修改，最终找到3个相对靠谱的策略，故总结此文给有需要同志，策略均来自网络，本人只是进行了部分代码修改和可用性测试。以下将简单介绍各个策略的机制以及对应代码（亲测能跑通）。

> NOTE：下述代码均是基于caffe的，而且实现策略都是通过新增自定义层。主要流程大致为：修改caffe.proto–>导入hpp/cpp/cu–>重新编译–>执行。

#### 1.带权重的softmaxLoss ####

[softmaxLoss代码——github传送门][softmaxLoss_github]  
在样本不均衡分类问题中，样本量大的类别往往会主导训练过程，因为其累积loss会比较大。带权重的softmaxloss函数通过加权来决定主导训练的类别。在具体的实现过程中增加pos\_mult字段（指定某类的权重乘子）和pos\_cid字段（指定的某类的类别编号）两个参数来确定类别和当前类别的系数，通过系数来控制当前类别在反向传播中的重要性。（若pos\_mult=0.5，就表示当然类别重要度减半）。

（1）修改caffe.proto文件  
编辑src/caffe/proto/caffe.proto文件，主要是在原有的SoftmaxParameter字段上添加了pos\_mul和pos\_cid字段。

optional float pos_mult = 3 [default = 1];
      optional int32 pos_cid = 4 [default = 1];

（2）导入hpp/cpp/cu文件  
将`weighted_softmax_loss_layer.hpp`文件添加到include/caffe/layers/文件夹下。  
将`weighted_softmax_loss_layer.cpp`文件添加到src/caffe/layers/文件夹下。  
将`weighted_softmax_loss_layer.cu`文件添加到src/caffe/layers/文件夹下。

（3）编译  
返回到caffe的根目录，使用make指令(下面几个都可以，任选一个)，即可。

make
     make -j
     make -j16
     make -j32    // 这里j后面的数字与电脑配置有关系，可以加速编译

（4）使用方法

layer {
      name: "loss"
      type: "WeightedSoftmaxWithLoss"
      bottom: "fc_end"
      bottom: "label"
      top: "loss"
      softmax_param {
        pos_cid: 1
        pos_mult: 0.5
      }
    }

需要注意的是pos\_cid也是从0开始的，和caffe中标签的定义从0开始对应。若指定为0表示pos\_mult的参数将乘到对应的类别中，简而言之就是和标签对应，对应代码如下。

Dtype w = (label_value == pos_cid_) ? pos_mult_ : 1;

#### 2.OHEMLoss ####

[OHEM论文地址][OHEM]  
[OHEM代码——github传送门][OHEM_github]  
OHEM被称为难例挖掘，主要针对模型训练过程中导致损失值很大的一些样本进行特殊处理，重新训练它们。因此OHEM也能在一定程度上解决样本分布不均的问题。它会维护一个错误分类样本池, 把每个batch训练数据中的出错率很大的样本放入该样本池中，将这些样本放回网络重新训练。通俗的讲OHEM就是加强loss大样本的训练。

（1）修改caffe.proto文件  
编辑src/caffe/proto/caffe.proto文件，主要是在原有的SoftmaxParameter字段上添加如下三个字段。

optional bool use_hard_mining = 3 [default = false];
      optional int32 batch_size = 4 [default = 1];
      optional float hard_ratio = 5 [default = 1];

（2）导入hpp/cpp/cu文件  
将`softmax_loss_ohem_layer.hpp`文件添加到include/caffe/layers/文件夹下。  
将`softmax_loss_ohem_layer.cpp`文件添加到src/caffe/layers/文件夹下。  
将`softmax_loss_ohem_layer.cu`文件添加到src/caffe/layers/文件夹下。  
（3）编译  
返回到caffe的根目录，使用make指令(下面几个都可以，任选一个)，即可。

make
     make -j
     make -j16
     make -j32    // 这里j后面的数字与电脑配置有关系，可以加速编译

（4）使用方法

layer {
      name: "loss"
      type: "SoftmaxWithLossOHEM"
      bottom: "fc_end"
      bottom: "label"
      top: "loss"
       softmax_param {
        use_hard_mining : 1
        hard_ratio : 0.5
      }
    }

使用过程中，`use_hard_mining`字段表示是否使用ohem。`hard_ratio`字段表示有多少样本被定义为难例样本，如上述所示有百分之50的难例样本。

#### 3.FocalLoss ####

[FocalLoss论文代码][FocalLoss]  
[FocalLoss代码——github传送门][FocalLoss_github]  
FocalLoss就是在带权重的Loss的基础上作出了改进，更好的解决样本不平衡问题，总体思想和带权重的有点类似，FocalLoss首先解决的就是样本不平衡的问题，类似于weihgtsoftmaxloss。即在CE上加权重，当class为1的时候，乘以权重alpha，当class为0的时候，乘以权重1-alpha，正如第一个策略所示，这是最基本的解决样本不平衡的方法，也就是在loss计算时乘以权重。  
![aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NTI5OTk3LTk5Njk5MmQzMmI3MDFiMjcucG5n][]  
在此基础上，focalloss的核心就是在CE的前面乘上了（1-pt）的gama次方。pt就是准确率，因此该公式表示的含义为：准确率越高 ，整个loss值就越小。所以我们把参数gama称为衰减系数，准确率越高的类衰减的越厉害。这就使得准确率低的类能够占据loss的大部分，并主导训练。  
![aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NTI5OTk3LTE0NmRhMjA3YTU5ZTA1YTUucG5n][]  
正如上述讲到的第二种方法OHEM是让loss大的进行主导。而FocalLoss是让准确率低的类进行主导。两者在这个机制上殊途同归。但OHEM的缺点是其只取一部分难例样本进行loss计算来实现上述功能，而FocalLoss则作用于所有样本，因此从原理上讲FocalLoss会更加有效。最终FocalLoss的公式如下：  
![aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NTI5OTk3LWI1OTc2MzkxM2NlYTYyMDYucG5n][]  
（1）修改caffe.proto文件  
由于FocalLoss改动较多，因此重新建立一个参数字段，而不是在SoftmaxParamter字段的基础上修改。  
编辑src/caffe/proto/caffe.proto文件，添加一个新的FocalLossParameter 字段，并且为其定义功能字段。

optional FocalLossParameter focal_loss_param = 145;//需要和自己的protobuf序列号对应，不能产生冲突
    
    message FocalLossParameter {
      enum Type {
        ORIGIN = 0;
         // FL(p_t)  = -(1 - p_t) ^ gama * log(p_t), where p_t = p if y == 1 else 1 - p, whre p = sigmoid(x)
        LINEAR = 1; 
        // FL*(p_t) = -log(p_t) / gama, where p_t = sigmoid(gama * x_t + beta), where x_t = x * y, y is the ground truth label {-1, 1}
      }
      optional Type type   = 1 [default = ORIGIN]; 
      optional float gamma = 2 [default = 2];
      // cross-categories weights to solve the imbalance problem
      optional float alpha = 3 [default = 0.25]; 
      optional float beta  = 4 [default = 1.0];
    }

（2）导入hpp/cpp/cu文件  
将`focal_loss_layer.hpp`文件添加到include/caffe/layers/文件夹下。  
将`focal_loss_layer.cpp`文件添加到src/caffe/layers/文件夹下。  
将`focal_loss_layer.cu`文件添加到src/caffe/layers/文件夹下。

（3）编译  
返回到caffe的根目录，使用make指令(下面几个都可以，任选一个)，即可。

make
     make -j
     make -j16
     make -j32    // 这里j后面的数字与电脑配置有关系，可以加速编译

（4）使用方法

layer {
      name: "loss_cls"
      type: "FocalLoss"
      bottom: "cls_score"
      bottom: "labels"
      propagate_down: 1
      propagate_down: 0
      top: "loss_cls"
      include { phase: TRAIN }
      loss_weight: 1
      loss_param { ignore_label: -1 normalize: true }
      focal_loss_param { alpha: 0.25 gamma: 2 }
    }

[softmaxLoss_github]: https://github.com/qiu931110/Weighted_Softmax_Loss
[OHEM]: https://arxiv.org/abs/1604.03540
[OHEM_github]: https://github.com/qiu931110/Caffe_OHEM_SoftmaxLosss
[FocalLoss]: https://arxiv.org/abs/1708.02002
[FocalLoss_github]: https://github.com/qiu931110/Focal-Loss
[aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NTI5OTk3LTk5Njk5MmQzMmI3MDFiMjcucG5n]: /images/20220315/147e527cc7544115aef68343ed52dc0e.png
[aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NTI5OTk3LTE0NmRhMjA3YTU5ZTA1YTUucG5n]: /images/20220315/bbb72943c15f499f8a8764fdfdb33501.png
[aHR0cHM6Ly91cGxvYWQtaW1hZ2VzLmppYW5zaHUuaW8vdXBsb2FkX2ltYWdlcy81NTI5OTk3LWI1OTc2MzkxM2NlYTYyMDYucG5n]: /images/20220315/b5fd84cb2d744d3ea369f1b40031937d.png