클래스 가중 Focal Loss

51번 Focal Loss 는 어려운 샘플 중심 ($(1-p)^\gamma$) 로 가중. 클래스 불균형이 더 심하면 클래스별 가중치 $\alpha_c$ 까지 붙여 (Lin et al. 2017 원래 버전):

$L = -\frac{1}{N} \sum_i \alpha_{y_i} \, (1 - p_{y_i})^\gamma \, \log(p_{y_i})$

왜 두 가지 기전?

• γ (focusing): 잘 분류된 쉬운 샘플의 기여도를 지수적으로 감소.
• α (class weight): 희귀 클래스에 더 큰 가중치로 모델이 더 많이 학습하도록.
• 함께 쓰면 extreme imbalance (예: object detection background vs foreground) 에서 효과.

과제

함수 focal_loss_alpha(logits, y_true, gamma, alpha) 를 완성하세요.

• logits (N, C), y_true (N,) 정수.
• alpha shape (C,) — 클래스별 가중치.
• 반환: Python float 배치 평균.

테스트 케이스