请注意， weighted_cross_entropy_with_logits是sigmoid_cross_entropy_with_logits的加权变体。 S形交叉熵通常用于二进制分类。是的，它可以处理多个标签，但是S型交叉熵基本上是对每个标签做出（二进制）决策-例如，对于人脸识别网，这些（但不互斥）标签可能是“ 对象戴眼镜吗？ ”，“ 对象是女性吗？ ”等。

在二进制分类中，每个输出通道都对应一个二进制（软）判决。因此，需要在损失的计算中进行加权。这是weighted_cross_entropy_with_logits功能，方法是将交叉熵的一项权重于另一项。

在互斥的多softmax_cross_entropy_with_logits分类中，我们使用softmax_cross_entropy_with_logits ，其行为不同：每个输出通道对应于一个类别候选者的分数。该决定是后 ，通过比较每个信道的相应输出。

因此，在做出最终决定之前进行加权很简单，通常是通过与权重相乘，在比较分数之前对其进行修改。例如，对于三元分类任务，

# your class weights
class_weights = tf.constant([[1.0, 2.0, 3.0]])
# deduce weights for batch samples based on their true label
weights = tf.reduce_sum(class_weights * onehot_labels, axis=1)
# compute your (unweighted) softmax cross entropy loss
unweighted_losses = tf.nn.softmax_cross_entropy_with_logits(onehot_labels, logits)
# apply the weights, relying on broadcasting of the multiplication
weighted_losses = unweighted_losses * weights
# reduce the result to get your final loss
loss = tf.reduce_mean(weighted_losses)

您还可以依靠tf.losses.softmax_cross_entropy处理最后三个步骤。

在您的情况下，如果您需要解决数据不平衡问题，那么班级权数的确可能与火车数据中它们的频率成反比。对它们进行规范化，以使它们加起来等于一个或多个类，这也是有意义的。

请注意，在上文中，我们根据样本的真实标签对损失进行了处罚。我们还可以通过简单地定义基于估计标签的损失

weights = class_weights

由于广播魔术，其余代码无需更改。

在一般情况下，您希望权重取决于您所犯错误的类型。换句话说，对于每对标签X和Y ，您可以选择当真实标签为Y时如何惩罚选择标签X您最终得到一个完整的先验权重矩阵，这将导致以上的weights为完整的(num_samples, num_classes)张量。这超出了您想要的范围，但是了解上面代码中仅需要更改权重张量的定义可能会很有用。