在实际任务中，数据的不均衡一直是深度学习领域一个不可忽略的问题。常说的长尾效应，说的就是这个问题。少而多的误差，最终造成的结果，是不容忽视的。
长尾效应：在正态分布中，曲线中间凸起的是“头”，两边相对平缓的部分叫做“尾”。对于绝大部分的需求来说，都会集中在中间凸起的“头”处，但是除了“头”，还有两边长长的“尾”。不同于中间的“头”，分布在尾部的需求是个性化的，零散的，少量的需求。这部分需求，构成了一条长长的“尾巴”，所谓的长尾效应就是在于它的数量上。将所有的非流行的市场，累加起来就会形成一个巨大的市场，甚至比主流市场还要巨大。
无论是纯纯的分类任务，还是目标检测中的回归任务，这种不均衡性都一直存在，具体表现为三种形式：
-
类与类之间的数量不均衡；
-
前景与背景之间数量不均衡；
-
简单样本和苦难样本之间的不均衡。
如何在计算损失的时，将最终的loss值，更能体现大局观，不会被某一面绑架，也不要忽略了某一面的问题？值得探讨
本文就对类似这种不均衡的问题展开讨论，这也是在工作项目中常常会遇到的问题，同时，也是面试官最喜欢问到的问题。
与此同时，在UNet分割任务中，把目标分割任务的mask，转化为对像素点的分类任务
