一句话定义
Focal Loss（焦点损失）是一种改进的交叉熵损失函数：它给那些模型已经分对、且很有把握的样本降权，把训练注意力集中到难分的样本上，以此缓解类别极度不平衡的问题。
为什么需要它
标准交叉熵（Cross Entropy）对每个样本一视同仁。类别均衡时这没问题；但在极端不平衡的场景下就麻烦了。比如目标检测里，一张图可能只有几个真正的前景目标，却有成千上万个背景候选框。模型很快就能把绝大多数背景框判对，于是损失几乎全由这些"简单样本"贡献，真正需要学的那几个目标和少数易混淆的背景，信号被淹没了。
打个比方：老师批改一个 100 人的班，其中 97 人几乎全对，3 人错得离谱。如果每道题等量计分，老师的精力全耗在批改那 97 份满分卷上，最该讲评的错题反而排在最后。Focal Loss 相当于给"答对的题"打折——越有把握的答案打折越狠，剩下的损失分值自然主要来自错题。
它是怎么做到的
公式大致是：FL = −α(1−p)^γ · log(p)。
p 是模型对正确答案给出的预测概率。p 越接近 1（越有把握），调制因子 (1−p)^γ 越接近 0，这个样本的损失被压得几乎归零；p 越小（越没把握），调制因子越接近 1，损失基本保持原样。γ 是聚焦参数，越大压制越狠，论文里常用 2 左右；α 是类别权重，用来再平衡正负样本。这两个超参数都可以调，具体取值以实际任务和官方实现为准。
和相邻概念的区别
| 方法 | 对简单样本的处理 | 特点 |
|---|---|---|
| 交叉熵 | 原样保留 | 简单通用，不平衡时被多数类淹没 |
| 加权交叉熵 | 按类别整体加权 | 权重按类固定，不区分同一类内部难易 |
| 难例挖掘（Hard Example Mining） | 直接丢弃 | 非此即彼的选择，不可微，需额外流程 |
| Focal Loss | 按难度连续降权 | 保留全部样本，可端到端训练，软过渡 |
核心差异在于"动态且连续"：权重不是人为按类指定的常数，而是跟着模型当前的预测能力自动变化。
对你意味着什么
做分类、检测、分割这类明显不平衡的任务时，可以把 Focal Loss 当作交叉熵的替换项先试一版。类别越不平衡、简单样本占比越高，通常收益越明显。反过来，在本身就均衡的数据上，它未必更好，甚至可能因为过度关注噪声样本而变差。它也不是只能用在视觉任务上，NLP、推荐等场景里同样有人把它当调参选项，是否启用，最终还是看实际验证结果。