如何在Keras中使用FCN（U-Net）上的加权分类交叉熵？
我建立了一个用于图像分割的Keras模型（U-Net）。然而，在我的样本中，一些错误分类（区域）并不重要，而另一些则至关重要，因此我想在损失函数中为它们分配更高的权重。更复杂的是，我希望一些错误分类（1类而不是2类）有很高的惩罚，而反向分类（2类而不是1类）不应该受到那么大的惩罚 在我看来，我需要使用加权分类交叉熵的总和（跨越所有像素），但我能找到的最好结果是： 然而，这段代码只适用于一个单一的预测，我对Keras内部工作原理的了解也不多（而且它的数学方面也不太好）。任何人都知道我如何适应它，或者更好，是否有一个现成的损失函数适合我的情况 我希望你能给我指点 编辑：我的问题与类似，只是我想使用加权分类交叉熵。您可以使用权重图（如中建议的）。在这些权重贴图中，可以对权重较大或较小的区域进行权重设置。下面是一些伪代码：如何在Keras中使用FCN（U-Net）上的加权分类交叉熵？,keras,loss,cross-entropy,Keras,Loss,Cross Entropy,我建立了一个用于图像分割的Keras模型（U-Net）。然而，在我的样本中，一些错误分类（区域）并不重要，而另一些则至关重要，因此我想在损失函数中为它们分配更高的权重。更复杂的是，我希望一些错误分类（1类而不是2类）有很高的惩罚，而反向分类（2类而不是1类）不应该受到那么大的惩罚 在我看来，我需要使用加权分类交叉熵的总和（跨越所有像素），但我能找到的最好结果是： 然而，这段代码只适用于一个单一的预测，我对Keras内部工作原理的了解也不多（而且它的数学方面也不太好）。任何人都知道我如何适应它，或
loss = compute_categorical_crossentropy()
weighted_loss = loss * weight_map # using element-wise multiplication
我也在做一些类似于原始海报的事情，但是使用了二进制交叉熵。我假设同样的伪代码也适用？
loss = compute_categorical_crossentropy()
weighted_loss = loss * weight_map # using element-wise multiplication