如何在多标签问题中为张量流模型设置类权重？

如何解决如何在多标签问题中为张量流模型设置类权重？

我尝试训练一个模型来通过图像预测多个标签。输出是一个包含五个二进制值的列表，像这样 [0,1,1]

我使用 sigmoid 密集层来获取输出，这是我的代码：

inp = tf.keras.layers.Input(shape = (*IMAGE_SIZE,3),name = 'inp')
x = tfka.resnet50(weights = 'imagenet',include_top = False)(inp)
x = tf.keras.layers.GlobalAveragePooling2D()(x)
output = tf.keras.layers.Dense(label_dim,activation='sigmoid')(x)
model = tf.keras.models.Model(inputs = [inp],outputs = [output])

现在，我的问题是我的数据集不平衡。而且很难做到平衡，因为每行有五个标签。所以，我尝试为每个标签设置不同的类权重，但我不知道该怎么做。

我试试

class_weight = {'label-1': 1:2,'label-2': 1:5,'label-3': 1:1,'label-4': 2:1,'label-5': 1:10}

但它不起作用。

我的目标是为所有类别和标签分配不同的权重。像这样

在第一个标签中，类0的权重为0.5，类1的权重为1

在第二个标签中，类0的权重为0.1，类1的权重为1

...

更新：

我认为我应该将我的模型分成五个小模型，因为我想要的是最小化每个标签而不是标签列表的损失。因此，将其转换为多个单一的二元分类模型是更好的选择。

解决方法

您在拟合模型时传递每个类的权重。 Tensorflow 中的 documentation 指定在调用 .fit() 时，您可以传递包含类权重的字典。请务必检查该字典的外观，因为它只接受整数（键）和浮点（权重）格式。