Python 具有Keras的不平衡数据集的多重损失

我的型号：

我建立了一个暹罗网络，有两个输入和三个输出。所以我的损失函数是：

total loss = alpha( loss1) + alpah( loss2) + (1_alpah) ( loss3)

loss1

和

loss2

是

分类交叉熵

损失函数，用于从总共8个类中对类标识进行分类。

loss3

是

相似性损失

函数（欧氏距离损失），用于验证两个输入是来自同一类还是不同类

我的问题如下：

如果我有不同的损失，我想使用变量

alpha

对它们进行加权，它的值取决于历元数。因此，我必须通过回调设置值pf

alpha

。我的问题是，是否可以通过

model.complie

中的

loss\u weights

传递该α变量，该变量的值随历元数（即非标量）的变化而变化。文件说：

损失权重：指定标量的可选列表或字典 系数（Python浮动）用于加权损失贡献 不同的模型输出。将通过以下方式最小化的损失值： 然后，模型将是所有单个损失的加权和，加权 通过损失权系数。如果是一个列表，它应该有一个 1:1映射到模型的输出。如果是张量，则应映射 将名称（字符串）输出到标量系数

示例

alpha = K.variable(0., dtype=tf.float32)

def changeAlpha(epoch,logs):
    new_alpha = some_function(epoch)
    K.set_value(alpha, new_alpha)
    return

alphaChanger = LambdaCallback(on_epoch_end=changeAlpha) 

model.compile(loss= [loss1, loss2, loss3], loss_weights = [alpha, alpha, (1-alpha)])

我的数据集不平衡，因此我想在

model.fit（）中使用
class\u wights
。因此，对于三个损失的同一模型，我只想将
类权重应用于分类交叉熵损失（损失1和损失2），因此，如果我将其传递给
模型，它将对两个损失都有效，并且除了第三个损失之外。fit
？知道第三个损失是自定义损失函数

如果我想为暹罗网络分类，我的度量是

model.compile（度量=['out1'：'accurity'，'out2'：accurity']]）

？但最终的精度必须是两者的平均值，我可以通过构建自己的自定义度量来解决这个问题。但这两个指标的加权和是否存在问题