自定义损失函数的加权训练数据

我想重量，基于在训练数据集中列的训练数据。从而比其他人更重视某些培训项目。不应将权重列作为输入图层的特征。自定义损失函数的加权训练数据

的Tensorflow文档持有example如何使用项目的标签分配一个自定义的损失，从而给予权重：在自定义DNN

# Ensures that the loss for examples whose ground truth class is `3` is 5x 
# higher than the loss for all other examples. 
weight = tf.multiply(4, tf.cast(tf.equal(labels, 3), tf.float32)) + 1 

onehot_labels = tf.one_hot(labels, num_classes=5) 
tf.contrib.losses.softmax_cross_entropy(logits, onehot_labels, weight=weight)

我用这三个隐藏层。在理论上我只需要在该示例中与含有重量柱的张量替换标签上方。

我知道有几个线程已经讨论例如类似的问题defined loss function in tensorflow?

出于某种原因，我遇到了很多问题，试图将我的权重列引入其中。这可能是两行简单的代码，或者可能有更简单的方法来实现相同的结果。

来源

2017-04-14 Seb

什么问题？您应该描述它们并包含相关的错误消息。 –

我想我找到了解决方案。问题是，权重我已经创建了不匹配的功能tensorflow： ValueError异常：权重不能播到值。在dim 0. values.shape = [3] weights.shape = [120]时失配。 ValueError异常：张量（ “添加：0”，形状=（120，），D型细胞= INT32）必须从相同的曲线图张量（ “fully_connected/BiasAdd：0”，形状=（120，3），D型= FLOAT32）。 – Seb

我相信我找到了答案：

weight_tf = tf.range(features.get_shape()[0]-1, features.get_shape()[0]) 
    loss = tf.losses.softmax_cross_entropy(target, logits, weights=weight_tf)

重量是在功能tensorflow最后一列。

来源

2017-04-14 13:21:13 Seb

有没有一种方法根据交叉熵是否匹配来对它们进行不同的加权？ – Nickpick

自定义损失函数的加权训练数据

回答

相关问题