问题描述
我使用 tf.GradientTape()
编写了我的自定义训练循环。我的数据有 2 个类。班级不平衡; class1
数据贡献了近 80%,而 class2
贡献了剩余的 20%。因此,为了消除这种不平衡,我尝试编写自定义损失函数,该函数将考虑这种不平衡并应用相应的类权重并计算损失。即我想使用 class_weights = [0.2,0.8]
。我找不到类似的例子。
但是,我看到的所有示例都使用 model.fit 方法,在这种方法中更容易传递 class_weights
。我无法找到使用 class_weights
和使用 tf.GradientTape
的自定义训练循环的示例。
我确实查看了使用 sample_weight
的建议,但是我没有可以指定样本权重的数据,因此我更喜欢使用类权重。
我使用 BinaryCrossentropy
损失作为损失函数,但我想根据 class_weights
更改损失。这就是我遇到的问题,如何告诉 BinaryCrossentropy
考虑 class_weights
。
我使用自定义损失函数的方法是否正确,或者在使用自定义训练循环(不使用 class_weights
)进行训练时有更好的方法来利用 model.fit
?
解决方法
您可以编写自己的损失函数。在该损失函数中调用 BinaryCrossentropy 然后将结果乘以您想要的权重并返回