1、標準交叉熵損失函數如下：
其中，p爲預測爲正樣本的概率，因爲二分類，故預測爲負樣本概率即爲（1-p）。
當label爲1時，p應當接近於1使得loss儘可能小；
當label爲-1時，p應當接近於0，即（1-p）接近於1使得loss儘可能小。
2、當樣本不平衡時，可加入平衡係數α來控制正負樣本對總loss的共享權重。這裏假設正樣本數明顯小於負樣本。設置α=0.25
當label=1時，loss的權重爲0.75
當label=-1時，loss的權重爲0.25
如此以來能避免總loss中負樣本的loss佔大多數，從而對負樣本過擬合而正樣本不能很好學習。
3、Focal Loss
focal loss能很好的控制容易學習和難學習的loss權重，通過加入參數γ控制。設置γ=2
當label=1時，若p=0.9則是容易學習的樣本，則通過係數（1-p）的γ次方減少權重。
當label=-1時，若p=0.1即（1-p）=0.9則是容易學習的樣本，同樣減少權重。