这个loss function in tensorflow用作keras / tensorflow中的损失函数来加权二元决策
它加权误报与假阴性：
目标* -log（sigmoid（logits））（1 - 目标）* -log（1 - sigmoid（logits））
参数pos_weight用作积极目标的乘数：
目标* -log（sigmoid（logits））* pos_weight（1 - targets）* -log（1 - sigmoid（logits））
有没有人有任何建议，如果他们的损失/奖励不应该具有相同的权重，那么真正的积极因素如何可以加权来反对真实的阴性？
1 回答
首先，请注意，对于交叉熵损失，每个示例都有一些（可能非常非常小的）惩罚（即使正确分类） . 例如，如果正确的类是1并且我们的logit是10，那么惩罚将是
这种损失（非常轻微）推动网络为这种情况产生更高的logit，使其sigmoid更接近1.同样，对于负类，即使logit为-10，损失将使其更加负面 .
这通常很好，因为这些条款的损失非常小 . 如果您希望您的网络实际实现零损失，您可以使用
label_smoothing. 这可能与 minimizing loss 的经典设置中的网络接近[显然可以通过在损失中添加一些负数来实现网络"reward" . 但这不会改变梯度和训练行为） .话虽如此，您可以针对各种情况（tp，tn，fp，fn）对网络进行不同的惩罚 - 类似于Weight samples if incorrect guessed in binary cross entropy中描述的情况 . （看起来那里的实现实际上是不正确的 . 你想使用
weight_tensor的相应元素来加权单个log(sigmoid(...))项，而不是cross_entropy的最终输出 . ）使用这种方案，您可能希望惩罚非常错误的答案，而不是几乎正确的答案 . 但请注意，由于
log(sigmoid(...))的形状，这已经发生了一定程度 .