在进行深度学习实践中，经常会使用到混合loss，无论是图像分类、还是语义分割。在图像分类中，经常将交叉熵与focal loss或者ghm loss进行混合；在语义分割中经常将交叉熵、dice loss、focal loss、iou loss、MS-SSIM loss等进行混合。使用混合loss通常能获得更为稳定的性能，且基于混合loss对评价指标（dice、iou）的优化，甚至能进一步提升性能。此外，如focal loss、ghm loss解决了样本不平衡的问题，也能提升性能。
1、现有问题
如果将模型训练代码中的单一loss更改为多个loss加权混合，对代码改动量较大。且，在语义分割模型中有着深度监督的概念（模型输出多个尺度的预测结果，如hrnet、unet3+等网络），这种多个out的输出，不能直接使用ce loss，dice loss等，需要对多个输出进行遍历，这使得计算loss的代码更为复杂了。
为了解决这一问题，博主提出了lossFusion类的使用（支持paddle、pytorch、tensorflow等框架）。通过使用该类，不管是单个loss，还是多个加权loss。不管模型输出的结果是一个还是多个尺度，都只需要相同的代码即可计算loss。
2、解决方案
具体实现代码如下所示，lossFusion类支持传入两个参数，分为为loss_list和loss_weights。loss_list为list对象，支持传入1个或多个loss；loss_weights也为list对象，支持传入每个loss对应的权重。博主通过改写__call__函数实现了直接通过对象名调用计算loss&