focal loss用來解決樣本不均衡的分類問題。
假設正樣本（label=1）少，負樣本多，定義focal loss如下
Loss = -[alpha*(1-y_hat)^2yln(y_hat)
+ (1-alpha)y_hat^2(1-y)*ln(1-y_hat)]
其中y_hat:(batch, seq, tags)，預測出的
y: (batch, seq, tags)
alpha：(1, 1, tags)
alpha是超參數，是正樣本損失佔總體的比例，初始化爲 少數樣本/總樣本 的比值，調整策略如下，正樣本的precision<recall時，訓練更關注正樣本，alpha調低，反之調高。
調整策略也可以爲：
正類的識別正確率與負類的識別正確率