tensorflow - 对于多类问题，如何在 tensorflow 中对一类的损失进行更多的惩罚？

Question

假设我的模型有两个类:Class 1 和 Class 2。Class 1 和 Class 2 都有相同数量的训练和测试数据。但我想对第 1 类的损失进行比第 2 类更多的惩罚，以便一个类的误报数量比另一个类少(我希望模型在一个类上比另一个类表现更好)。

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 。
它提供了非常密切相关的上下文信息，类似于 @Sazzad 的答案，但特定于 TensorFlow。引用文档:

This is like sigmoid_cross_entropy_with_logits() except that pos_weight, allows one to trade off recall and precision by up- or down-weighting the cost of a positive error relative to a negative error.

它接受一个附加参数pos_weights。另请注意，这仅适用于二元分类，这就是您所描述的示例中的情况。如果除了这两个类之外还有其他类，那么这将不起作用。