Python 张量流加权交叉熵损失函数在DNN分类器估计函数中的位置？

我目前正在使用

tf.estimator.DNNClassifier

，研究一种具有高度倾斜数据（90%负/10%正）的二项分类算法。 当我训练的所有模型收敛到将所有样本标记为负数时，我需要实现一个加权损失函数

我在这里看到了许多不同的问题，其中许多都很有启发性。然而，对于如何实际实现这些功能，我无法得到一个实际的端到端答案。线程是最好的

我的问题是：我想使用

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

，但我不知道应该将其插入代码中的什么位置

我有一个功能来构建特征柱：

def construct_feature_columns(input_features):
  return set([tf.feature_column.numeric_column(my_feature)
              for my_feature in input_features])

定义

tf.estimator.DNNClassifier

和其他参数（如优化器和输入函数）的函数：

def train_nn_classifier_model(
    learning_rate,
    steps,
    batch_size,
    hidden_units,
    training_examples,
    training_targets,
    validation_examples,
    validation_targets):

    dnn_classifier = tf.estimator.DNNClassifier(
        feature_columns=construct_feature_columns(training_examples),
        hidden_units=hidden_units,
        optimizer=my_optimizer)

dnn_classifier.train(input_fn=training_input_fn, steps=steps_per_period)

training_probabilities = dnn_classifier.predict(input_fn=predict_training_input_fn)

培训职能：

def train_nn_classifier_model(
    learning_rate,
    steps,
    batch_size,
    hidden_units,
    training_examples,
    training_targets,
    validation_examples,
    validation_targets):

    dnn_classifier = tf.estimator.DNNClassifier(
        feature_columns=construct_feature_columns(training_examples),
        hidden_units=hidden_units,
        optimizer=my_optimizer)

dnn_classifier.train(input_fn=training_input_fn, steps=steps_per_period)

training_probabilities = dnn_classifier.predict(input_fn=predict_training_input_fn)

预测函数，用于计算训练时的误差：

training_probabilities = dnn_classifier.predict(input_fn=predict_training_input_fn)

优化器：

  my_optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate)
  my_optimizer = tf.contrib.estimator.clip_gradients_by_norm(my_optimizer, 5.0)

输入功能（用于培训输入、预测培训输入和验证输入）：

我应该在哪里插入，以便我的模型使用此函数计算损失

另外，如何在交叉熵函数中调用

目标（与logits类型和形状相同的张量）

？它是

training\u targets

的数据帧吗？它是

input函数的输出吗

具体是什么？因为对我来说，它们应该是来自函数的预测：

def train_nn_classifier_model(
    learning_rate,
    steps,
    batch_size,
    hidden_units,
    training_examples,
    training_targets,
    validation_examples,
    validation_targets):

    dnn_classifier = tf.estimator.DNNClassifier(
        feature_columns=construct_feature_columns(training_examples),
        hidden_units=hidden_units,
        optimizer=my_optimizer)

dnn_classifier.train(input_fn=training_input_fn, steps=steps_per_period)

training_probabilities = dnn_classifier.predict(input_fn=predict_training_input_fn)

但这对我来说毫无意义。我尝试了许多不同的方法来实现它，但没有一种奏效。
我不想成为坏消息的传播者，但不支持自定义丢失功能：

通过使用softmax交叉熵计算损耗

这是文档中唯一提到的丢失（函数），我找不到任何一篇文章直接更改
DNNClassifier
来讨论如何解决这个问题。相反，看起来你必须建立自己的估计器。
所有预先制作的估计器都不支持自定义损失函数？看起来不是，不是。