通常二分類使用交叉熵損失函數，但是在樣本不均衡下，訓練時損失函數會偏向樣本多的一方，造成訓練時損失函數很小，但是對樣本較小的類別識別精度不高。
解決辦法之一就是給較少的類別加權，形成加權交叉熵(Weighted cross entropy loss)。今天看到兩個方法將權值作為類別樣本數量的函數，其中有一個很有意思就錄在這里。
（http://cn.arxiv.org/pdf/1711.05225v3）
上邊說明的時，正負樣本的權值和他們的對方數量成比例，舉個例子，比如正樣本有30，負樣本有70，那么正樣本的權w+=70/(30+70)=0.7，負樣本的權就是w-=30/(30+70)=0.3，
這樣算下來的權值是歸一的。這種方法比較直觀，普通，應該是線性的。
（https://arxiv.org/pdf/1705.02315v4.pdf）
這個的權值直接就是該類別樣本數的反比例函數，是非線性的，相比於上邊的很有意思，提供了另一種思路。為了統一期間還是使用w+,w-表示這里的beta P和beta N，
舉個例子，比如正樣本有30，負樣本有70，那么正樣本的權w+=(30+70)/30=3.33，負樣本的權就是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
第四種方法：GHM-C loss
https://arxiv.org/pdf/1811.05181.pdf
以后看到后繼續補充。