先说结论
Focal Loss = 给难分类样本加权重，让模型别再盯着简单样本刷存在感。
如果你做过目标检测，肯定被这个问题折磨过：
- 一张图里几千个锚框，真正有用的就几个
- 模型疯狂学习背景，正样本被淹没在负样本的海洋里
Focal Loss 就是来解决这个"学习偏科"问题的。
这个东西是什么
想象你在教一个小孩认动物：
普通交叉熵就像老师一视同仁——猫认对了给糖，狗认错了也给糖（只是小一点）。结果小孩发现：“哇，背景（草地、天空）最好认，我使劲学这个！”
Focal Loss就像聪明的老师——简单样本（草地天空）给一点点糖，难样本（长得像猫的狗）给一大把糖。
核心思想：降低简单样本的权重，让模型把注意力集中在"硬骨头"上。
为什么你可能用得上
场景1：目标检测
一张街景图，几千个候选框，只有3个是车/人/红绿灯。用普通交叉熵，模型学到的是"这大概率是背景"。
场景2：类别极度不平衡
医疗影像里，正常细胞占99%，病变细胞1%。模型躺平：“我全猜正常，准确率99%！”
场景3：推荐系统
用户看了1000个商品，点了2个。普通损失函数会让模型觉得"不点"才是正确答案。
💡一句话：只要你的数据里存在"少数重要样本被多数简单样本淹没"的情况，Focal Loss 就是你的救命稻草。
怎么用（重点）
公式拆解
Focal Loss 在交叉熵基础上加了个"聚焦因子"：
FL(pt) = -αt * (1 - pt)^γ * log(pt)别被吓
