我理解人们通常使用下面的损失和错误来训练
ce = cross_entropy_with_softmax(z, label_var)
pe = classification_error(z, label_var)
trainer = Trainer(z, (ce, pe), ...)
我们可以覆盖或定义自己的丢失和错误方法吗？我们真正需要的是在计算损失和误差时增加权重。例如，我们有4个类，重要（更多的权重）不将第一个类错误分类为其他类，反之亦然，但如果它在最后3个类中错误分类则不重要（重量较轻）。在cntk中处理这个问题的最佳方法是什么？
答案 0 :(得分：1)
是的，任何CNTK表达式都是有效的丢失或错误：这里是交叉熵：
ce = C.negate（C.reduce_sum（C.element_times（target，C.log（prediction）），axis = -1））