在计算Keras（或Tensorflow）的损失时，是否有一种简单的使用方法具有不均匀的惩罚？ 我的意思是，假设您有5000个训练样本，它们的重要性并不相同，即使在某些情况下，我们也希望获得更准确的预测，即使是以其他几个样本的估计不准确为代价。我已经有了一些代表样本重要性的系数。
有什么方法可以在Keras或Tensorflow上实现这样的模型吗？
答案 0 :(得分：0)
是的，有一种方法是在keras的fit或sample_weight函数中使用fit_generator。这将应用每个样品的重量。因此，sample_weight向量的长度应与您的训练集相同。
这是示例代码：
history = model.fit(X_train, y_train, epochs=1000, sample_weight=sample_coefficients)
来自keras documentation：
sample_weight：训练样本的可选Numpy权重数组，用于加权损失函数（仅在训练过程中）。您可以传递长度与输入样本相同的平坦（1D）Numpy数组（权重和样本之间的1：1映射），或者对于时间数据，可以传递具有形状的2D数组（samples，sequence_length） ），以对每个样本的每个时间步施加不同的权重。在这种情况下，您应该确保在compile（）中指定sample_weight_mode =“ temporal”。