Keras 自定义损失函数：对二进制交叉熵误差应用权重

我在和Keras玩，试着从上下文中预测一个词，例如从一句话“我必须说食物很好吃！”中预测一个词，我希望得到这样的结果：

[say the ? was tasty] -> food, meals, spaghetti, drinks

然而，我目前的问题是，我正在训练的网络似乎只学习单个单词的概率，而不是它们在特定上下文中的概率

由于单词的频率不平衡，我认为我可能/可能/应该对我的损失函数应用权重，这是目前的二进制交叉熵函数

我只需将每个单词的相反概率乘以错误：

def加权二进制交叉熵（y_真，y_pred）：
返回K.mean（K.binary_交叉熵（y_pred，y_true）*（1字权重），轴=1）

该函数被模型用作损失函数：

model.compile（优化器='adam'，loss=weighted\u binary\u crossentropy）

但是，我的结果是完全相同的，我不确定我的模型是否损坏，或者我是否使用了

loss

parameter/函数错误

我的

加权\u binary\u crossentropy（）

函数是否与我刚才描述的一样？我这样问是因为出于某种原因，它的工作原理类似：

---

word_-weights，axis=1）

实际上，正如人们在

fit

函数中读到的那样，可以提供

sample_-weights

，这似乎正是您想要使用的。

它说“如果您需要进行时间步采样权重（2D权重），请将其设置为“临时”。“无”默认为采样权重（1D）。”对我来说，这听起来不像是每个输出维度的误差权重——因为这是我想做的。你想为每个单词应用的权重是否不同？