在深度学习中，一个类的权重损失高于其他类

Question

在使用 keras 时，特别是对于 U-net，我只知道以以下方式指定模型参数：

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=[mean_iou])

现在我可以将损失设置为等于我定义的任何值。但是，此损失函数将均匀地应用于所有类。我如何做到这一点，以便某些类的错误预测比其他错误预测的权重更大。

例如，假设我在每个图像中都有以下类。 A、B 和 C 类。现在，A 类和 B 类约占整个图像的 45%，C 类仅占整个图像的 10% 左右。但是，我更关心 C 类的高预测。

在这种情况下，损失函数并不能很好地发挥作用，因为类不平衡吸收了类 c 的损失。因此，我想找到一种方法来衡量一个班级的损失高于另一个班级。

我也对解决此问题的其他建议持开放态度 - 例如，也许有两个独立的网络？

编辑：Here 是对这个问题的后续跟进，需要实施该帖子已接受的答案。

Answer 1

您可以手动为每个类别分配权重。例如：

class_weight = {0: 0.2, 1: 0.3, 2: 0.25, 3: 0.25}
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=[mean_iou], class_weight=class_weight)

或者你可以使用这个 scikit 库 function 网上也有很多例子，没有一个对你有用吗？