Focal Loss

Softmax CE(50번) 의 불균형 분류 특화 변형. Lin et al. (RetinaNet) 이 제안. 이미 잘 맞추는 쉬운 샘플의 기여를 줄여서, 어려운 샘플에 집중 시킵니다.

$\mathcal{L}_\text{focal}(p_y) = -(1 - p_y)^\gamma \log(p_y)$

여기서 $p_y = \text{softmax-v1}(z)_y$ 는 정답 클래스의 예측 확률.

파라미터 γ (focusing)

• $\gamma = 0$: 일반 CE와 동일
• $\gamma = 2$ (기본값): 이미 $p_y = 0.9$ 인 샘플의 손실을 (0.1)^2 = 0.01 배로 축소
• 큰 $\gamma$: 어려운 샘플에 더 강하게 집중

과제

함수 focal_loss(logits, y_true, gamma) 를 완성하세요.

• 입력: logits (N, K), y_true (N,) 정수, gamma >= 0.
• 반환: Python float (배치 평균).
• 순서: softmax-v1 → pick $p_y$ → focal weight → 평균.

테스트 케이스