Question

我正在构建多标签分类网络。我的 GT 是长度为 512 [0,0,0,1,0,1,0,...,0,0,0,1] 的向量大多数时候它们是 zeroes，每个向量大约有 5 ones，其余的都是零。

我正在考虑：

使用 sigmoid 激活输出层。

使用 binary_crossentropy 作为损失函数。

但是我如何解决不平衡问题？网络可以学习预测 always zeros 并且仍然具有非常低的学习损失分数。

我如何让它真正学会预测......

Answer 1

您不能轻易上采样，因为这是一个多标签案例（我最初从帖子中遗漏了什么）。

你能做的是给1更高的权重，就像这样：

import torch


class BCEWithLogitsLossWeighted(torch.nn.Module):
    def __init__(self, weight, *args, **kwargs):
        super().__init__()
        # Notice none reduction
        self.bce = torch.nn.BCEWithLogitsLoss(*args, **kwargs, reduction="none")
        self.weight = weight

    def forward(self, logits, labels):
        loss = self.bce(logits, labels)
        binary_labels = labels.bool()
        loss[binary_labels] *= labels[binary_labels] * self.weight
        # Or any other reduction
        return torch.mean(loss)


loss = BCEWithLogitsLossWeighted(50)
logits = torch.randn(64, 512)
labels = torch.randint(0, 2, size=(64, 512)).float()

print(loss(logits, labels))

您也可以使用 FocalLoss 专注于正面示例（某些库中应该有一些实现）。

编辑：

Focal Loss 也可以按照这些方式进行编码（功能形式原因就是我在 repo 中所拥有的，但您应该能够从中工作）：

def binary_focal_loss(
    outputs: torch.Tensor,
    targets: torch.Tensor,
    gamma: float,
    weight=None,
    pos_weight=None,
    reduction: typing.Callable[[torch.Tensor], torch.Tensor] = None,
) -> torch.Tensor:

    probabilities = (1 - torch.sigmoid(outputs)) ** gamma
    loss = probabilities * torch.nn.functional.binary_cross_entropy_with_logits(
        outputs,
        targets.float(),
        weight,
        reduction="none",
        pos_weight=pos_weight,
    )

    return reduction(loss)

具有不平衡标签的多标签分类

1 个答案: