Python Keras+；估计量+；加权样本

使用Keras，只需在

model.fit（）

方法中添加样本权重即可为每个样本分别加权损失函数

现在我通过

tf.Keras.estimator.model\u to\u estimator

使用Keras模型（

tf.Keras

）、估计器（

tf.estimator

）和数据集（

tf.data

）来衡量问题

---

有没有办法使用估计器指定样本权重？Estimator子类

DNNClassifier

确实有“权重列”，如果可以转移此功能，它将很好地工作。

我看到在tf 1.11的Keras+估值器上已经做了很多工作。但是没有关于损失函数的加权。在新版本的某个地方它被隐藏了吗？雷达上有吗？看起来像是一项基本功能。看起来像DistributedStrategy中支持model.fit（），但是否需要从tf.data.Dataset读取样本权重？ok 1.12支持tf.data.Dataset中的样本权重，该权重可以传递给Keras model.fit（）函数。这是非常好的工作。但将该数据集放入估计器会导致问题，因为输入fn似乎只接受输入和目标，而不接受输入-目标-样本权重。您在

tf.data.dataset

中看到了样本权重支持的哪些方面？我读到的支持实际上是在tensorflow.python.keras.models.Sequential.fit（…）级别。fit方法现在接受带有样本权重的数据集（除特征和标签外）。看见