Question

我正在尝试使用TensorFlow实现多标签分类（即，每个输出模式可以具有许多活动单元）。该问题具有不平衡的类（即，比标签分布中的零更多的零，这使得标签模式非常稀疏）。

解决问题的最佳方法应该是使用tf.nn.weighted_cross_entropy_with_logits功能。但是，我得到了这个运行时错误：

ValueError: Tensor conversion requested dtype uint8 for Tensor with dtype float32

我无法理解这里有什么问题。作为损失函数的输入，我传递标签张量，logits张量和正类权重，这是一个常数：

positive_class_weight = 10
loss = tf.nn.weighted_cross_entropy_with_logits(targets=labels, logits=logits, pos_weight=positive_class_weight)

有关如何解决此问题的任何提示？如果我只是传递相同的标签并将张量记录到tf.losses.sigmoid_cross_entropy损失函数，那么一切都运行良好（在Tensorflow正常运行的意义上，但当然训练预测总是为零）。

请参阅相关问题here。

Answer 1

在丢失函数之后可能会抛出错误，因为tf.losses.sigmoid_cross_entropy和tf.nn.weighted_cross_entropy_with_logits之间唯一的显着差异是返回的张量的形状。

看一下这个例子：

logits = tf.linspace(-3., 5., 10)
labels = tf.fill([10,], 1.)

positive_class_weight = 10
weighted_loss = tf.nn.weighted_cross_entropy_with_logits(targets=labels, logits=logits, pos_weight=positive_class_weight)
print(weighted_loss.shape)

sigmoid_loss = tf.losses.sigmoid_cross_entropy(multi_class_labels=labels, logits=logits)
print(sigmoid_loss.shape)

张量logits和labels是一种人为的，都具有(10,)的形状。但weighted_loss和sigmoid_loss不同是很重要的。这是输出：

(10,)
()

这是因为tf.losses.sigmoid_cross_entropy执行减少（默认情况下为总和）。因此，为了复制它，您必须使用tf.reduce_sum(...)包装加权损失。

如果这没有帮助，请确保labels张量的类型为float32。这个bug很容易制作，例如，以下声明不起作用：

labels = tf.fill([10,], 1)  # the type is not float!

您可能也有兴趣阅读this question。

Tensorflow加权与S形交叉熵损失

1 个答案: