在Tensorflow 2.0中实现自定义损失函数

Question

我正在构建一个时间序列分类模型。数据非常不平衡，因此我决定使用加权交叉熵函数作为损失。Tensorflow提供了tf.nn.weighted_cross_entropy_with_logits，但我不确定如何在TF 2.0中使用它。由于我的模型是使用tf.keras API构建的，所以我考虑像这样创建自定义损失函数：

pos_weight=10
def weighted_cross_entropy_with_logits(y_true,y_pred):
  return tf.nn.weighted_cross_entropy_with_logits(y_true,y_pred,pos_weight)

# .....
model.compile(loss=weighted_cross_entropy_with_logits,optimizer="adam",metrics=["acc"])

我的问题是：是否有一种直接使用tf.keras API的方法来使用tf.nn.weighted_cross_entropy_with_logits？

- username0101

Answer 1

你可以直接将类别权重传递给model.fit函数。

class_weight: 可选的字典，将类别索引（整数）映射到权重（浮点数）值，用于加权损失函数（仅在训练期间）。这对于告诉模型“更多地关注”代表少数类的样本非常有用。

例如：

{
    0: 0.31, 
    1: 0.33, 
    2: 0.36, 
    3: 0.42, 
    4: 0.48
}

来源

---

编辑： JL Meunier回答很好地解释了如何使用类权重将logits乘以。

- Hichame Yessou

---

谢谢您的回复。但是，如果我使用自定义函数而不是将权重传递给model.fit函数，我是否可以得到相同的结果？ - username0101