Tensorflow 加权与 sigmoid 交叉熵损失

Question

我正在尝试使用 TensorFlow 实现多标签分类（即，每个输出模式可以有许多活动单元）。问题在于类别不平衡（即，标签分布中的零比零多得多，这使得标签模式非常稀疏）。

解决问题的最佳方法应该是使用tf.nn.weighted_cross_entropy_with_logits 函数。但是，我收到此运行时错误：

ValueError: Tensor conversion requested dtype uint8 for Tensor with dtype float32

我不明白这里有什么问题。作为损失函数的输入，我传递了标签张量、logits 张量和正类权重，这是一个常数：

positive_class_weight = 10
loss = tf.nn.weighted_cross_entropy_with_logits(targets=labels, logits=logits, pos_weight=positive_class_weight)

关于如何解决这个问题的任何提示？如果我只是将相同的标签和 logits 张量传递给 tf.losses.sigmoid_cross_entropy 损失函数，那么一切正常（在 Tensorflow 运行正常的意义上，但当然训练预测总是为零）。

查看相关问题here。

Answer 1

错误很可能在损失函数之后抛出，因为tf.losses.sigmoid_cross_entropy和tf.nn.weighted_cross_entropy_with_logits之间唯一显着的区别是返回张量的形状。

看看这个例子：

logits = tf.linspace(-3., 5., 10)
labels = tf.fill([10,], 1.)

positive_class_weight = 10
weighted_loss = tf.nn.weighted_cross_entropy_with_logits(targets=labels, logits=logits, pos_weight=positive_class_weight)
print(weighted_loss.shape)

sigmoid_loss = tf.losses.sigmoid_cross_entropy(multi_class_labels=labels, logits=logits)
print(sigmoid_loss.shape)

张量logits 和labels 是一种人造的，并且都具有(10,) 的形状。但重要的是weighted_loss 和sigmoid_loss 是不同的。这是输出：

(10,)
()

这是因为tf.losses.sigmoid_cross_entropy 执行归约（默认情况下为总和）。所以为了复制它，你必须用tf.reduce_sum(...)包裹加权损失。

如果这没有帮助，请确保 labels 张量的类型为 float32。这个错误很容易产生，例如，以下声明将不起作用：

labels = tf.fill([10,], 1)  # the type is not float!

您可能也有兴趣阅读this question。