相关疑难解决方法(0)

我正在尝试将深度学习应用于目标类(500k,31K)之间的高级不平衡的二进制分类问题.我想写一个自定义的损失函数,应该是这样的:最小化(100 - ((predict_smallerclass)/(total_smallerclass))*100)

欣赏有关如何构建此逻辑的任何指示.

我正在尝试使用以下两个损失函数优化模型

def loss_1(pred, weights, logits):
    weighted_sparse_ce = kls.SparseCategoricalCrossentropy(from_logits=True)
    policy_loss = weighted_sparse_ce(pred, logits, sample_weight=advantages)

和

def loss_2(y_pred, y):
    return kls.mean_squared_error(y_pred, y)

然而，因为 TensorFlow 2 期望损失函数的形式为

def fn(y_pred, y_true):
    ...

我正在使用一种变通方法来解决loss_1我打包pred并weights放入单个张量的地方，然后再将其传递到loss_1调用中model.fit，然后将它们解压到loss_1. 这是不雅和讨厌的，因为pred和weights具有不同的数据类型，因此每次调用model.fit.

此外，我知道 的sample_weight论点fit，这有点像这个问题的解决方案。如果不是因为我使用了两个损失函数并且我只想将其sample_weight应用于其中一个，这可能是一个可行的解决方案。此外，即使这是一个解决方案，它也不能推广到其他类型的自定义损失函数。

话虽如此，我的问题简明地说是：

在 TensorFlow 2 中创建具有任意数量参数的损失函数的最佳方法是什么？

我尝试过的另一件事是传递 atf.tuple但这似乎也违反了 TensorFlow 对损失函数输入的期望。