利用深度学习做多分类在工业或是在科研环境中都是常见的任务。在科研环境下，无论是NLP、CV或是TTS系列任务，数据都是丰富且干净的。而在现实的工业环境中，数据问题常常成为困扰从业者的一大难题；常见的数据问题包含有：
- 数据样本量少
- 数据缺乏标注
- 数据不干净，存在大量的扰动
- 数据的类间样本数量分布不均衡
除此之外，还存在其他的问题，本文不逐一列举。针对上述第4个问题，2020年7月google发表论文《 Long-Tail Learning via Logit Adjustment 》 通过 BER ( Balanced Error Rate ) 对交叉熵函数的相关推理，在原有的交叉熵的基础上进行改造，使得平均分类精度更高。本文将简要解读该论文的核心推论，并使用 keras 深度学习框架进行实现，最后通过简单的Mnist手写数字分类的实验验证结果。本文将从以下四个方面进行解读：
- 基本概念
- 核心推论
- 代码实现
- 实验结果
1. 基本概念
基于深度学习的多分类问题中，想要获得更优的分类效果往往需要对数据、神经网络的结构参数、损失函数以及训练参数做出调整；尤其是在面对类别不均衡的数据时，做出的调整更多。在论文《 Long-Tail Learning via Logit Adjustment 》中，为了缓解类别不均衡造成的低样本类别分类准确率低的问题，只向损失函数中加入了标签的先验知识便获得了SOTA效果。
因此，本文针对其核心推论，首先简要阐述四个基本概念：（1）长尾分布 、（2）softmax 、（3）交叉熵 、（4）BER