如何解决如何在使用自定义训练循环时利用 class_weights 计算自定义损失函数即不使用 .fit
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
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
