Python 计算损失时检查标签（tensorflow）

考虑这个问题，我有这样一个输出向量：

[0.1,0.3,0.6,0.4,0.1,0.5,0.6，…]

目标标签如下：

[0,0,1,0,0,1,1，…]

输出和目标标签是三乘三表示一个特定标签（即logits

[0.1,0.3,0.6]

和相关目标标签

[0,0,1]

）

在最初的问题中，实际上不是3，而是84，标签和输出向量的长度非常大（约500万），在大多数情况下（约90%），相关标签没有1，因此无需计算该输出的损失

现在我的问题是，我怎么能忽略在相关标签中没有1的输出？

或者换句话说，当我想计算损失时，如何在培训期间检查标签？

这是我的损失函数：

score_split = tf.split(1, 64800,  scores)
score_split_output = [tf.nn.softmax(c) for c in score_split]
output = tf.concat(1, score_split_output)
total_loss = tf.reduce_mean(-tf.reduce_sum(labels * tf.log(output), [1]))

---

我将分数84除以84

（5443200/64800=84）

并将其交给softmax，然后计算损失。

输入数据的选择取决于您的问题，而不是技术解决方案的细节

您在测试时不会遇到没有标签的数据。然后，您只需从数据集中删除数据。然而，您没有这样做的事实可能表明您不能这样做，因为这些数据属于那里

或者，如果这些数据是您将遇到并需要在测试时处理的，那么您需要保留这些数据并从中学习。例如，您可以添加第85个标签，即当84个其他标签为零时为1，否则为零

编辑

增加标签的示例：

import tensorflow as tf
labels = tf.zeros((100, 84))
label85 = 1-tf.reduce_max(labels)
new_labels = tf.concat([labels, tf.expand_dims(label85,-1)], 0)

---

也许有人会反驳我犯的同样的错误，下面是解决办法。我想在损失计算期间检查标签，因为有很多成对的标签，通过单独的Softmax函数计算每个标签需要很长时间

然后，我将logits和label向量重塑为

[-1,3]

，并在其上应用一个Softmax：

    logits = tf.reshape(self.score, [-1, 3])
    labels = tf.reshape(self.y, [-1, 3])  
    loss = tf.nn.softmax_cross_entropy_with_logits(logits, labels)

---

谢谢你的回应，但是我不能改变输入数据格式，或者忽略一些标签，以这样的方式考虑我的问题：把高分辨率图像的一半作为输入，并预测另一半，逐像素，所以我想预测每个像素，并且一些像素将是空的，所以相关的一个热标签没有1在这种情况下，我要说的是，你可以动态地向你的输入标签添加第85列。我明白了，当然，我可以这样做，但这没有意义，我想通过忽略（不计算损失）没有1的标签来降低计算的复杂性，但是通过添加第85列，我仍然会有同样的计算复杂性好吧，但是为什么你不能从你的输入中删除它们呢？在测试时会发生什么？因为它们不是独立的数据，考虑一个图像，它在中间有一个对象，周围有很多空的空间（对于空的像素有标签零），但是其他图像在中间可能有空的空间和角落中的对象。