Neural network 如何强调神经网络中的选择输出

我正在使用pytorch培训一个包含17个特性和5个输出的数据集。但我最感兴趣的是其中的两个，比如说0-4中的输出2和3。在2和3上获得尽可能高的精度的好策略是什么，而其余的精度可能较低？

如果您使用的是

nn.CrossEntropyLoss（）

，则可以传入权重以强调或不强调某些类。从：

torch.nn.CrossEntropyLoss（重量：可选[torch.Tensor]=None，…）

权重之和不必为1，因为当

reduce='mean'

为默认设置时，PyTorch将自行处理权重。权重指定在计算损失时，哪些类别的权重更大。换句话说，权重越高，对于具有更高权重的特定类集，预测错误的惩罚就越高

#假定导入
x=火炬。随机数（10，5）#虚拟数据
target=torch.randint（0,5，（10，）#虚拟目标
权重=火炬张量（[1,1,2,2,1.]）#强调2类和3类
标准加权=nn.交叉熵（重量=重量）
损失加权=标准加权（x，目标）

如果您使用的是

nn.CrossEntropyLoss（）

，则可以传入权重以强调或取消强调某些类。从：

torch.nn.CrossEntropyLoss（重量：可选[torch.Tensor]=None，…）

权重之和不必为1，因为当

reduce='mean'

为默认设置时，PyTorch将自行处理权重。权重指定在计算损失时，哪些类别的权重更大。换句话说，权重越高，对于具有更高权重的特定类集，预测错误的惩罚就越高

#假定导入
x=火炬。随机数（10，5）#虚拟数据
target=torch.randint（0,5，（10，）#虚拟目标
权重=火炬张量（[1,1,2,2,1.]）#强调2类和3类
标准加权=nn.交叉熵（重量=重量）
损失加权=标准加权（x，目标）

这是什么类型的输出层<代码>nn.Linear？请提供有关网络的更多信息以及每个输出所代表的内容。输出0-4是否表示分类概率，且每个输出为一个类别？那么你是在寻找加权损失ufnction@Ivan是的，nn。线性，目前使用softmax激活函数。这是一个分类问题，因此每个代表一个类别，因此输出为1，其他为0。我将研究加权损失函数，谢谢@Prokow那是哪种输出层<代码>nn.Linear？请提供有关网络的更多信息以及每个输出所代表的内容。输出0-4是否表示分类概率，且每个输出为一个类别？那么你是在寻找加权损失ufnction@Ivan是的，nn。线性，目前使用softmax激活函数。这是一个分类问题，因此每个代表一个类别，因此输出为1，其他为0。我将研究加权损失函数，谢谢@ProkoI正在使用交叉熵损失，肯定会尝试这个。谢谢！！我用的是交叉熵损失，一定会试试这个。谢谢！！