关于pytorch的{{3}}的一些说明：我正在使用：pos_weights = torch.tensor([len_n/(len_n + len_y), len_y/(len_n + len_y)])来初始化损失，其中[1.0, 0.0]是负数类，而[0.0, 1.0]是正数类，和len_n, len_y分别是负样本和正样本的长度。
首先使用BCEWithLogitsLoss的原因恰好是因为我假设它通过避免网络仅简单地“默认”为最丰富的类类型来补偿正样本和负样本之间的不平衡。在训练集中。我想控制丢失的优先级，以正确地检测出较不丰富的类。以我为例，负火车样本比正样本多25到1倍，因此，网络正确预测正样本的比例很高，而不要具有较高的总预测率（即使默认始终为负，这非常重要），这一点非常重要，如果我只关心这一点，则可以得出96％的预测。）
问题，使用BCEWithLogitsLoss参数控制培训班的失衡情况，是否正确pos_weights我的假设？对损失评估中如何解决不平衡有任何见解？