使用类权重在喀拉拉邦的U-net自定义损失函数：3维以上目标不支持`class_weight`

Question

这是我正在使用的代码（主要从Kaggle提取）：

inputs = Input((IMG_HEIGHT, IMG_WIDTH, IMG_CHANNELS))
...
outputs = Conv2D(4, (1, 1), activation='sigmoid') (c9)

model = Model(inputs=[inputs], outputs=[outputs])
model.compile(optimizer='adam', loss='dice', metrics=[mean_iou])

results = model.fit(X_train, Y_train, validation_split=0.1, batch_size=8, epochs=30, class_weight=class_weights)

我有4个班级非常不平衡。A级等于70％，B级= 15％，C级= 10％，D级= 5％。但是，我最关心D类。因此，我进行了以下类型的计算：D_weight = A/D = 70/5 = 14B类和A类的权重依此类推。（如果有更好的方法来选择这些权重，那就放心了）

在最后一行，我想正确设置class_weights和我做它像这样：class_weights = {0: 1.0, 1: 6, 2: 7, 3: 14}。

但是，当我这样做时，出现以下错误。

class_weight 3维尺寸目标不支持。

是否可以在最后一层之后添加一个密集层并将其用作虚拟层，以便我可以传递class_weights然后仅使用最后一个conv2d层的输出进行预测？

如果这不可能，那么我将如何修改损失函数（不过我知道这篇文章，但是，将权重传递给损失函数并不会减少损失，因为损失函数是针对每个类分别调用的）？目前，我正在使用以下损失函数：

def dice_coef(y_true, y_pred):
    smooth = 1.
    y_true_f = K.flatten(y_true)
    y_pred_f = K.flatten(y_pred)
    intersection = K.sum(y_true_f * y_pred_f)
    return (2. * intersection + smooth) / (K.sum(y_true_f) + K.sum(y_pred_f) + smooth)

def bce_dice_loss(y_true, y_pred):
    return 0.5 * binary_crossentropy(y_true, y_pred) - dice_coef(y_true, y_pred)

但是我看不到任何可以输入班级权重的方法。如果有人想要完整的工作代码，请参阅此文章。但是请记住将最终conv2d层的num类更改为4而不是1。

Answer 1

您始终可以自己应用权重。

在originalLossFunc下面你可以导入keras.losses。
这weightsList是您的列表，其中包含按类别排序的权重。

def weightedLoss(originalLossFunc, weightsList):

    def lossFunc(true, pred):

        axis = -1 #if channels last 
        #axis=  1 #if channels first


        #argmax returns the index of the element with the greatest value
        #done in the class axis, it returns the class index    
        classSelectors = K.argmax(true, axis=axis) 
            #if your loss is sparse, use only true as classSelectors

        #considering weights are ordered by class, for each class
        #true(1) if the class index is equal to the weight index   
        classSelectors = [K.equal(i, classSelectors) for i in range(len(weightsList))]

        #casting boolean to float for calculations  
        #each tensor in the list contains 1 where ground true class is equal to its index 
        #if you sum all these, you will get a tensor full of ones. 
        classSelectors = [K.cast(x, K.floatx()) for x in classSelectors]

        #for each of the selections above, multiply their respective weight
        weights = [sel * w for sel,w in zip(classSelectors, weightsList)] 

        #sums all the selections
        #result is a tensor with the respective weight for each element in predictions
        weightMultiplier = weights[0]
        for i in range(1, len(weights)):
            weightMultiplier = weightMultiplier + weights[i]


        #make sure your originalLossFunc only collapses the class axis
        #you need the other axes intact to multiply the weights tensor
        loss = originalLossFunc(true,pred) 
        loss = loss * weightMultiplier

        return loss
    return lossFunc

用于在compile：

model.compile(loss= weightedLoss(keras.losses.categorical_crossentropy, weights), 
              optimizer=..., ...)

直接在输入数据上更改类平衡

您也可以更改输入样本的平衡。

例如，如果您有来自第 1 类的 5 个样本和来自第 2 类的 10 个样本，则在输入数组中两次传递第 5 类的样本。

.

使用sample_weight论据。

除了“按班级”工作，您还可以“按样本”工作。

为输入数组中的每个样本创建一个权重数组： len(x_train) == len(weights)

而fit通过这个数组的sample_weight说法。
（如果是fit_generator，发电机将不得不与火车/真对一起返回的权重：return/yield inputs, targets, weights）