Python 如何使用多个类的逻辑计算tf.nn.weighted\u cross\u entropy\u的pos\u权重变量？

我想使用

tf.nn.weighted\u cross\u entropy\u和\u logits

数据集有三类。

A类中的图像数量为5500

，

B类中的图像数量为2000

，

C类中的图像数量为20000

---

如何计算和使用

tf.nn.weighted\u cross\u entropy\u with\u logits

中的

pos\u weight

变量？

函数

tf.nn.weighted\u cross\u entropy\u with\u logits

正在实现二进制交叉熵损失。你正在寻找的损失是“分类”交叉熵。如果您正在寻找一种具体的行为，我建议您从头开始实施它。 这是你想要的：

>>> import tensorflow as tf
>>> from sklearn.utils.class_weight import compute_class_weight
>>> # Weighted categorical cross entropy
>>> def ce(y_pred, y_true, weights):
...   y_pred = tf.clip_by_value(y_pred, 1e-6, 1 - 1e-6)
...   loss = -tf.math.log(y_pred)
...   loss = y_true * loss
...   loss = weights * loss
...   return tf.reduce_mean(tf.reduce_sum(loss, axis=1))
>>>
# A B C just refers to your classes
>>> weights = compute_class_weight('balanced', [A, B, C], y_true)
>>> y_true = tf.one_hot(y_true, NUM_CLASSES)
>>> y_pred = tf.random.uniform((3, 3)) # Mock predictions (Should be activated by a softmax)
>>> print(y_true.shape, y_pred.shape)
(3, 3) (3, 3)
>>> ce(y_pred, y_true, weights)
<tf.Tensor: id=23, shape=(), dtype=float32, numpy=2.8649616>

>>将tensorflow作为tf导入
>>>从sklearn.utils.class\u权重导入计算\u class\u权重
>>>#加权分类交叉熵
>>>def ce（y_pred，y_true，权重）：
...   y_pred=tf.按值剪裁（y_pred，1e-6，1-1e-6）
...   损耗=-tf.math.log（y_pred）
...   损失=y_真*损失
...   损耗=重量*损耗
...   返回tf.reduce_平均值（tf.reduce_和（损失，轴=1））
>>>
#A B C只是指你的班级
>>>权重=计算类权重（'balanced'，[A，B，C]，y\u true）
>>>y_true=tf.one_hot（y_true，NUM_类）
>>>y_pred=tf.random.uniform（（3,3））35;模拟预测（应通过softmax激活）
>>>打印（y_true.shape，y_pred.shape）
(3, 3) (3, 3)
>>>ce（y_pred，y_true，权重）