小编Luk*_*ker的帖子

我正在构建一个深度回归网络（CNN）来从图像（7,11）预测（1000,1）目标向量。目标通常由大约90% 的零和仅10%的非零值组成。目标中（非）零值的分布因样本而异（即不存在全局类别不平衡）。

使用均方误差损失，这导致网络仅预测零，我对此并不感到惊讶。

我最好的猜测是编写一个自定义损失函数，它对非零值的错误的惩罚比对零值的预测的惩罚更多。

我尝试了这个损失函数，目的是实现我猜想的可以在上面工作的功能。它是一种均方误差损失，其中非零目标的预测受到的惩罚较小（w=0.1）。

def my_loss(y_true, y_pred):
    # weights true zero predictions less than true nonzero predictions
    w = 0.1
    y_pred_of_nonzeros = tf.where(tf.equal(y_true, 0), y_pred-y_pred, y_pred)
    return K.mean(K.square(y_true-y_pred_of_nonzeros)) + K.mean(K.square(y_true-y_pred))*w

网络能够学习而不会陷入只有零的预测。然而，这个解决方案似乎很不干净。有没有更好的方法来处理此类问题？关于改进自定义损失函数有什么建议吗？欢迎任何建议，先谢谢您！

最好的，卢卡斯