对于多类问题，如何在张量流中惩罚一个类比另一个类损失更多？

Question

假设我的模型有两个类别1和2。类别1和2具有相同数量的训练和测试数据。但是我想对第1类的损失赔偿比第2类更多，因此一类的误报率要比另一类少（我希望该模型对一类的表现要好于另一类。）。

如何在 Tensorflow 中实现这一目标？

Answer 1

您正在寻找的东西可能是 weighted_cross_entropy。
它提供了非常紧密相关的上下文信息，类似于@Sazzad的答案，但特定于TensorFlow。引用文档：

  

这类似于sigmoid_cross_entropy_with_logits()，除了   pos_weight，允许以上调或下调权衡召回率和精度   相对于负值，权衡正误差的成本   错误。

它接受一个附加参数pos_weights。另请注意，这仅适用于 binary 分类，在您描述的示例中就是这种情况。如果除这两个类之外还有其他类，则不有效。

Answer 2

如果我正确理解了您的问题，则这不是张量流的概念。你可以自己写。对于二进制分类，损失是这样的

  

损失= ylogy +（1-y）log（1-y）

0级和1级的损失权重相同。因此，您可以给更多的部分更多的重量。例如

  

损失= 5 *逻辑+（1-y）log（1-y）

希望它能回答您的问题。