定义自己的损失和cntk

分类错误

我理解人们通常使用的损失及以下的错误培养定义自己的损失和cntk

ce = cross_entropy_with_softmax(z, label_var) 
pe = classification_error(z, label_var) 
trainer = Trainer(z, (ce, pe), ...)

我们可以覆盖或定义自己的损失和错误的方法呢？我们真正需要的是在计算损失和错误时添加权重。例如，我们有4个班级，重要的是（更重要的是）不要将第一班级错误分类为其他班级，反之亦然，但是如果它在最后3个班级中错误归类，则不重要（重量更轻）。在cntk中处理这个问题的最好方法是什么？

来源

2017-08-28 Jason Ruan

是，任何CNTK表达式是有效的损失或错误：在这里，交叉熵：

CE = C.negate（C.reduce_sum（C.element_times（目标，C.log（预测）），轴= -1））

来源

2017-08-28 22:22:07

太棒了！我正在努力弄清楚如何将权重添加到您提供的示例中。我想创建NxN的error_weights数组，其中N是类的数量。但是，我不确定如何使用error_weights，ResNet Model，z和输入label_var创建有效损失，这与cross_entropy_with_softmax（z，label_var）类似。将可能给我一些简单的示例代码或我可以遵循的某些方向？谢谢！ –

我想我可以在下面创建方法，如果我可以从模型z得到输出。无论如何要从模型中获得预测吗？ def my_criterion（z，target）： prediction = get_from_model（z） loss = calculate_loss_with_weights（预测，目标）回报损失 –

定义自己的损失和cntk

回答

相关问题