加权铰链损失函数
（Weighted Hinge Loss Function）是一种常用于机器学习中的损失函数，用于衡量分类模型的性能和优化模型参数。它主要用于支持向量机（Support Vector Machine，SVM）等分类算法中。
加权铰链损失函数的定义如下： L(y, f(x)) = max(0, 1 - y * f(x)) * w
其中，y是样本的真实标签（取值为-1或1），f(x)是模型对样本x的预测值，w是样本的权重。当预测值和真实标签之间的乘积大于1时，损失为0，表示分类正确；当乘积小于等于1时，损失为1减去乘积，表示分类错误。
加权铰链损失函数的优势在于：
- 对异常值具有较好的鲁棒性：由于损失函数中的max函数，当样本的预测值和真实标签之间的乘积大于1时，损失为0，可以有效降低异常值对模型的影响。
- 支持样本加权：通过引入样本权重w，可以对不同样本赋予不同的重要性，从而更好地适应不平衡数据集或关注特定样本。
加权铰链损失函数的应用场景包括但不限于：
- 二分类问题：适用于二分类问题，特别是线性可分的情况。
- 支持向量机（SVM）：加权铰链损失函数常用于SVM中，用于最大化分类间隔。
腾讯云相关产品和产品介绍链接地址： 腾讯云提供了丰富的云计算和人工智能相关产品，以下是一些与机器学习和分类算法相关的产品：
- 机器学习平台（https://cloud.tencent.com/product/tiia）：提供了一站式的机器学习平台，包括数据处理、模型训练和部署等功能。
- 人工智能计算平台（https://cloud.tencent.com/product/tensorrt）：提供了高性能的人工智能计算平台，可用于加速模型推理和优化计算性能。
请注意，以上仅为示例，腾讯云还有更多相关产品可供选择。
相关·内容
我正在尝试使用标记数据来训练深度神经网络(DNN)。标签的编码方式使其仅包含值0和1。编码标签的形状是5 x 5 x 232。标签中的值的About 95%是0，rests是1。目前，我正在使用binary_crossentroy损失函数来训练网络。
在这种情况下，训练DNN的最佳技术是什么？在这种情况下，选择binary_crossentroy作为损失函数是否合适？任何改善模型性能的建议。
浏览 0提问于2020-07-18得票数 0
1回答
我和我的同事正试图弄清逻辑回归和支持向量机之间的区别。显然，他们正在优化不同的目标函数。支持向量机是否就像说它是一个简单地优化铰链损失的判别分类器一样简单？还是比这更复杂？支持向量是如何发挥作用的？松弛变量呢？为什么你不能有深度支持向量机，就像你不能有一个带有乙状结肠激活函数的深神经网络？
浏览 0提问于2015-12-17得票数 12
回答已采纳
关于这个，被接受的答案解释了支持向量机正规化问题中的惩罚和损失。但是在结尾处使用了“L1-损失”，“L2-损失”这两个词。
据我所知，正则化问题中的目标函数是损失函数之和，例如铰链损失：
\sum_i 1- y_i * f_i_+
刑罚条款如下：
lambda /2 =\β\β_x_x^2
通过说“l1铰链损失”，我是否可以将其解释为适用于损失和处罚条件的论证“惩罚”中规定的L1规范？
在以下统计学习要素的正规化问题(Hastie等人)中，是否使用了L1-损失？
浏览 1提问于2021-04-23得票数 1
回答已采纳
2回答
我试图在Python中实现铰链丢失函数，并面临一些误导。
在我曾经阅读过的一些资料中(例如，Luca下的“Python中的回归分析”)中，铰链有时被称为Softmax函数。
但对我来说有点奇怪，因为，铰链：
而Softmax只是指数函数，就像：
我是用Python (对于Softmax)这样做的：
def softmax(x):
e_x = np.exp(x - np.max(x))
return e_x/e_x.sum(axis=0)
有两个问题：
我能像铰链函数一样使用softmax函数吗？
如果不是，如何用Python实现铰链？
谢谢。
浏览 1提问于2017-05-31得票数 0
回答已采纳
1回答
根据scikit-learn 的说法，改进的Huber损失函数可以为异常值提供更高的容限。
但是，看看成本函数的，难道修改后的Huber就不那么宽容了吗？它似乎给f(x)<0的观测带来了更高的代价，即在边缘的错误边的观测。这不对吗？
浏览 0提问于2017-12-08得票数 3
我遵循了https://www.tensorflow.org/quantum/tutorials/mnist上提供的教程。我已经将本教程修改为我能想到的最简单的示例:输入集，其中x从0线性增加到1，y=x< 0.3。然后，我使用带有符号的单个Rx门的PQC，以及使用Z门的读取器。 当检索优化的符号并手动调整它时，我可以很容易地找到一个提供100%准确性的值，但是当我让Adam优化器运行时，它要么收敛到always predict 1，要么总是predict -1。有人发现我做错了什么吗？(我为不能将代码分解为一个较小的示例而道歉) import tensorflow as tf
imp
浏览 60提问于2020-06-29得票数 0
2回答
年龄分类损失函数
、、、、
我正在为年龄分类建立一个CNN模型。假设一个人的年龄在1-100之间，我的最后一个线性层包含100个输出神经元.
现在我想为这个分类问题找到一个合适的损失函数。
我不想用回归
My的观察：
我不能使用MSE或BCE损失，因为它们的工作原理非常不合适，好像实际年龄是25岁，那么对于预测的26岁和50岁，也会有相同的损失。(预测为100个元素向量，因为最后一层有100个神经元。)
我发现了铰链损耗和余弦接近损耗。但我认为它们也不能用于这类分类，因为它们只是在两个向量之间寻找相似之处，而不对附近的实际预测对(不包括实际年龄25岁和预计年龄26岁)给予任何重要性或权重。
有人能为这个分类问题推荐一个合
浏览 0提问于2020-09-11得票数 3
据我们所知，对于支持向量机，我们可以使用SVC和SGDClassifier来实现铰链丢失。是具有铰链丢失的SGDClassifier比SVC实现更快。为什么？
scikit中SVC的两个实现的链接-学习：
我在sci的文档页面上读到，SVC使用libsvm库的一些算法进行优化。而SGDClassifier则使用SGD(显然)。
浏览 0提问于2020-02-04得票数 4
回答已采纳
1回答
我试图实现两个张量的成对铰链损失，这两个张量都是200维的。目标是使用这两个张量的余弦相似性作为评分函数，并使用成对铰链损失来训练模型。
该模型接受两个文本输入，并且它们已转换为两个200维向量。(第二个文本输入是第一个文本输入的正确标签)。
谁能给我演示一下如何在Keras中实现它？
def cosine_distance(vests):
jd, jt = vests
jd = K.l2_normalize(jd, axis=-1)
jt = K.l2_normalize(jt, axis=-1)
return -K.mean(jd * jt, axis=-1
浏览 0提问于2019-01-15得票数 0
1回答
我试图在虹膜数据集上训练一个支持向量机模型。目的是从其它类型的花卉中分离出紫草花。以下是代码：
import numpy as np
from sklearn import datasets
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC
iris = datasets.load_iris()
X = iris["data"][:, (2,3)] # petal length, pet
浏览 3提问于2020-06-02得票数 1
回答已采纳
文件上说：
要使用的损失函数。默认为“铰链”，这提供了一个线性支持向量机。对数损失给出了logistic回归，一种概率分类器。“modified_huber”是另一个平滑的损失，它给离群值和概率估计带来了宽容。
当我们使用“modified_huber”损失函数时，使用了哪种分类算法？是支持向量机吗？如果是的话，它怎么能给出概率估计，这是它不能做的铰链损失？
浏览 0提问于2017-07-06得票数 3
1回答
我和我的同事正试图弄清逻辑回归和支持向量机之间的区别。显然，他们正在优化不同的目标函数。支持向量机是否就像说它是一个简单地优化铰链损失的判别分类器一样简单？还是比这更复杂？支持向量是如何发挥作用的？松弛变量呢？为什么你不能有深度支持向量机，就像你不能有一个带有乙状结肠激活函数的深神经网络？
浏览 5提问于2015-12-17得票数 6
回答已采纳
我要解决的问题是分类问题。对于不同的观察，错误分类的代价是非常不同的(但已知的)，所以我计划通过相应地为每个观测分配权重来将它们包括在内。我的问题是，另外，不同类别的错误分类的代价是不同的(这些差异取决于观察结果)。因此，理论上，我需要将每个观察到的w_{ij}和类j的权重纳入损失函数权重。但是，我不知道如何做到这一点，例如，对于keras中的神经网络(或者任何其他分类器，我自己都不是从零开始构建的)。
任何关于如何做到这一点的想法都将不胜感激！
浏览 0提问于2018-12-21得票数 0
回答已采纳
1回答
我正在使用Python、scikit-learn、keras和450x540 rgb正面手表的图像(例如观看_1、观看_2)。
我的目标是运行一个自动编码器或暹罗神经网络，以找到其中最相似的手表。然而，我不确定我是否会得到更好的结果，通过比较对的图像或三胞胎的图像。正如本研究论文中所定义的那样，三重奏图像由一个目标图像、一个与目标图像(更多)相似的图像和一个与目标图像不相似的图像组成。
有人能简单地解释一下为什么像前一篇论文所说的那样，使用三胞胎的图像会(必然)比使用对图像产生更好的结果吗？
浏览 0提问于2018-02-23得票数 1
当使用tensorflow训练神经网络时，我可以任意设置损失函数。在训练支持向量机时，有没有办法在sklearn中做同样的事情？假设我想让我的分类器只优化灵敏度(不管它的感觉如何)，我该怎么做呢？
浏览 17提问于2019-12-09得票数 0
回答已采纳
2回答
如果我有类似这样的东西：
model = Model(inputs = input, outputs = [y1,y2])
l1 = 0.5
l2 = 0.3
model.compile(loss = [loss1,loss2], loss_weights = [l1,l2], ...)
Keras如何处理这些损失以获得最终的损失？是不是像这样：
final_loss = l1*loss1 + l2*loss2
另外，在培训过程中，这意味着什么？loss2是否仅用于更新y2所在层的权重？或者它用于模型的所有层？
浏览 1提问于2018-03-21得票数 63
回答已采纳
我有一个高度不平衡的图像数据集，我正在使用的分类问题。
我正在寻找一种技术来解决这种不平衡。我尝试过抽样和过度抽样，但没有取得好的结果。考虑到这是多类问题而不是二进制问题，是否可以使用SMOTE和ADASYN来平衡类。
浏览 5提问于2019-03-08得票数 2
2回答
我的一位教授给了我一个小脚本，他用它来可视化他的神经网络在每个学习时代之后的演变。这是一个包含3个值的曲线图:训练损失、训练错误和测试错误。
前两个有什么不同？
浏览 0提问于2016-07-11得票数 7
1回答
我想在训练阶段使用一个加权损失函数，在测试阶段使用一个非加权损失函数。
我尝试过in_train_phase，但是在测试阶段，它仍然使用加权损失函数。
def custom_loss():
def euclidian_distance_loss(y_true, y_pred):
edl_in_train = K.sqrt(K.sum(K.square((y_pred - y_true) * weight_matrix().reshape(1, 41, 41, 1))))
edl = K.sqrt(K.sum(K.square(y_pred -
浏览 1提问于2019-09-11得票数 1
1回答
在损失函数中使用生成器
、、、
我需要将额外的信息合并到依赖于当前批处理的Keras损失函数中。由于Keras损失只有两个参数，我考虑通过使损失函数在生成器对象上调用next()来添加此信息。但是，生成器只调用一次(可能是在model.compile()中添加损失函数时)。下面是一个示例代码：
data_batches = yield_data_batches()
meta_batches = yield_meta_batches()
....
model.compile(loss=loss_function, ...)
model.fit_generator(generator=data_batches, ....)
d
浏览 3提问于2017-11-29得票数 0
1回答
我需要SSIM作为我的网络中的一个损失函数，但我的网络有两个输出。我需要使用SSIM进行第一次输出，使用cross-entropy进行下一次输出。损失函数是它们的组合。然而，我需要更高的SSIM和更低的cross-entropy，所以我认为它们的组合是不正确的。另一个问题是我在keras中找不到SSIM的实现。 Tensorflow有tf.image.ssim，但它接受图像，我不认为我可以在损失函数中使用它，对吧？你能告诉我我该怎么做吗？我是keras和深度学习的初学者，我不知道如何将SSIM作为keras中的自定义损失函数。
浏览 50提问于2019-04-10得票数 3
1回答
我想用CNN来提取特征，然后用SVM进行分类。因此，我建立了一个模型，并使用“铰链”损失。
这是我的模型：
model = Sequential()
model.add(Embedding(max_features, 128, input_length=maxlen))
model.add(Dropout(0.5))
model.add(Conv1D(filters,kernel_size,padding='valid',activation='relu',strides=1))
model.add(MaxPooling1D(pool_size=pool_siz
浏览 1提问于2017-08-17得票数 3
我有一个三级图像分类问题。这些类是高度不平衡的(大约98%的图像低于一个类)。为了抵消这个不平衡的数据，我用类概率的反比(1/(类的比例))来加权损失。这意味着，对于少数族裔阶层来说，损失会成倍增加。这确实有助于消除阶级不平衡。
但是，对于此加权损失，我使用训练数据集中的比例。在验证数据集中，val集的分布有所不同(分别为96.66%、2.59%、0.75%，而在训练集中分别为98.28%、0.98%、0.73% )。这意味着，如果我使用基于训练集的权重，主要是错误分类的1类图像会受到比它们在验证集中的分布更多的惩罚。
造成这种分布差异的原因是，我不能随意分割我的图像，因为它们是由大约10台摄
浏览 0提问于2018-04-25得票数 2
回答已采纳
1回答
多个输出的CNN损失？
、、、、
我有下面的模型
def get_model():
epochs = 100
learning_rate = 0.1
decay_rate = learning_rate / epochs
inp = keras.Input(shape=(64, 101, 1), name="inputs")
x = layers.Conv2D(128, kernel_size=(3, 3), strides=(3, 3), padding="same")(inp)
x = layers.Conv2D(256, kernel_size=(3, 3), strides=(3, 3
浏览 1提问于2020-12-28得票数 1
回答已采纳
我看到，在scikit-learn中，我可以通过3种不同的方式构建一个具有线性核的SVM分类器：
具有核=‘线性’参数的
损耗=铰链参数的
现在，我发现前两个分类器的不同之处在于，前者是按照lib线性来实现的，后者是用libsvm实现的。
前两个分类器与第三个分类器有什么不同？
浏览 0提问于2015-04-17得票数 20
1回答
我正在为一组可以在正方形[0, 100] ^ 2上绘制的对象研究一些事件。我使用逻辑回归来计算不同对象发生事件的概率，输出如下所示：
📷
我们可以在(100, 50)点周围观察到一个高密度，而且基本上越远，事件的可能性就越小。距离这一点是一个预测因素，但也很少有其他。我感兴趣的是捕捉一个潜在的运动，也就是从A点移到B点有多有价值，但我也想奖励那些远离点(100, 50)的运动，而不仅仅是那些接近点的运动。对于前者，即使一个移动是相当显著的(长距离)，概率的绝对增加也是很小的，而对于后者，即使移动很小，我们也可以观察到概率的大幅度增加。因此，我认为我需要的是在某种程度上抵消/平滑距离(100,
浏览 0提问于2018-09-22得票数 2
1回答
在模板图像上训练卷积网络
、、、
我正在尝试设计和训练一个卷积神经网络来识别图像中的圆形细胞。我在完整图像的“剪切图”上训练它，它要么在图像中间有一个圆圈(正训练样本)，要么没有(负训练样本)。
中间有一个圆圈的图像示例(热图颜色不稳定，图像都是灰度)：
我希望网络输出是一个二进制位图，如果输入图像中没有圆，它就是一个统一的值(例如-1)，或者在图像中间有一个“斑点”(理想情况下是一个点)来指示圆的中心，而不是仅仅对两种类型的输入图像(圆形或不在中间)进行分类。然后，这将应用于包含许多这样的圆形单元的大图像，并且输出应该是单元所在的带有斑点的位图。
为了训练它，我使用输出图像和2D高斯滤波器()之间的均方误差作为正训练样本，将
浏览 7提问于2016-08-15得票数 1
我在R中使用Keras，它的文档指定：
如果模型有多个输出，则可以通过传递字典或损失列表，对每个输出使用不同的损失。然后，该模型将最小化的损失值将是所有个人损失的总和。
在这种情况下，我有多个输出，但是应用了相同的损失函数，Keras仍然对它们进行求和，或者它是否进行了另一个转换，如average？
浏览 0提问于2019-07-26得票数 2
回答已采纳
我正在构建一个双向LSTM来进行多类句子分类。我总共有13个类别可供选择，我将我的LSTM网络的输出乘以一个维数为[2*num_hidden_unit,num_classes]的矩阵，然后应用softmax来获得句子落入13个类别中的1个类别的概率。
因此，如果我们考虑将output[-1]作为网络输出：
W_output = tf.Variable(tf.truncated_normal([2*num_hidden_unit,num_classes])) result = tf.matmul(output[-1],W_output) + bias
我得到了我的[1, 13]矩阵(假设我目前没
浏览 14提问于2016-07-25得票数 0
我是Tensorflow的新手，我目前正在制作个人项目以获得经验。目前，我正在尝试基于2017年的研究论文“An Unsupervised Neural Attention Model for Aspect Extraction.‘”创建一个个人项目。这篇论文的链接是here。我一直在大量使用研究人员的Github存储库中提到的代码来进行此自定义模型的训练部分。她的回购链接可以在here上找到。可以看出，权重在每个时期之后都不会更新。这是我笔记本的link。请帮助我解决这个问题。另外，您能分享一下她为什么定义这个模型的损失和度量的解释吗？ def max_margin_loss(y_true
浏览 32提问于2021-07-13得票数 0
我正在研究Keras中的一个多标签问题，使用双叉熵损失函数和sigmoid激活。假设我有4个类，所以响应可能如下所示：
[1, 0, 0, 1]
尽管绝大多数的回应实际上都是零的
[0, 0, 0, 0]
数据在不同的类之间也是非常不平衡的，如果我对y做了一个求和，那么每个类中的正数的总数将会是这样的。
[2000, 500, 1000, 250]
因此，为了对每个类都给予同等的权重，我认为我应该构造一本字典，如下所示
weights = {0: 2.5, 1: 10., 2: 5., 3: 20}
并将其传递给Keras中的class_weight参数。
不过，我的问题是：
如果我的响应变量
浏览 0提问于2018-10-24得票数 8
1回答
Caffe支持多损失。然后，对于反向传播阶段，一些斑点可能具有来自不同损失的多个梯度。Caffe如何处理这个斑点的渐变？
据我所知，在设计网络时，这可能不是一个问题。但是当我试图写一个新的层时，这个问题真的让我感到困惑。谢谢你的任何想法！
浏览 0提问于2017-12-14得票数 1
我有一个多类分类问题的dataset df。我有一个巨大的阶级失衡。即grade_F和grade_G。
>>> percentage = 1. / df['grade'].value_counts(normalize=True)
>>> print(percentage )
B 0.295436
C 0.295362
A 0.204064
D 0.136386
E 0.048788
F 0.014684
G 0.005279
同时，我对表示较少的类也有非常深入的预测，就像我们看到的一样。
我有一个输
浏览 3提问于2019-09-17得票数 0
回答已采纳
在keras的所有代码示例中，我看到输入形状是直接传递的，并且推测批处理大小是第一个，例如：
model = Sequential()
model.add(Dense(32, input_shape=(16,)))
# now the model will take as input arrays of shape (*, 16)
# and output arrays of shape (*, 32)
但是，当涉及到自定义损失时，我看到使用了最后一个轴(轴=-1)。
def loss(y_true,y_pred):
return K.mean(K.square(y_pred
浏览 0提问于2019-11-30得票数 1
1回答
我需要一个带有huber损失函数的python的svm分类器。但它的默认损失函数是铰链损失。您知道如何将丢失函数分配给python吗？
svc = svm.SVC(kernel='linear', C=1, gamma=1).fit(data, label)
浏览 2提问于2017-08-15得票数 0
对于二进制分类任务，我应该在VW中使用哪些参数？例如，让我们使用。I 使用逻辑损失函数(或铰链)更好，使用--oaa 2没有任何意义。然而，实证结果(在所有4个实验中均报告了0/1的损失)表明，最佳组合为--oaa 2，不存在逻辑损失(即与缺省平方损失相比)：
cd vowpal_wabbit/test/train-sets
cat rcv1_small.dat | vw --binary
# average loss = 0.0861
cat rcv1_small.dat | vw --binary --loss_function=logistic
# average loss = 0.
浏览 2提问于2014-07-10得票数 4
回答已采纳
我试图评估单个2D测试样本的MSE损失，在Keras中使用一个自动编码器(AE)，一旦模型被训练，我很惊讶当我调用Keras内置函数来获取单个样本的丢失时，它会返回2D张量。这意味着损失函数计算每个样本的每个像素损失，而不是每个样本计算一个损失(?)。为了非常清楚，我期望MSE将所有像素上计算的平方误差的平均值与每个2D样本相关联(正如我在这个上所读到的)。
由于在使用.predict()和.evaluate()训练我的AE之后，每个测试样本没有得到一个标量MSE错误(也许我也遗漏了一些东西)，所以我继续尝试直接使用keras.losses.mean_squared_error()，逐个样本。
浏览 0提问于2019-08-19得票数 3
回答已采纳
我正试图建立一个基于大量功能的推荐系统来预测酒店价格。我有一个专栏，代表酒店的评级从5个和另一个专栏，指出了评论的数量，上述酒店。例如，在我的数据集中，有些酒店的评级为5，但只有一两次评价。另一方面，一些被评为5级的酒店有300多个评论。是否有办法优先考虑或更多地影响那些被评为更频繁的酒店？提前感谢！
浏览 0提问于2018-03-18得票数 1
我使用CNN进行语义分割，创建4个输出分支，并自定义丢失函数。
我使用以下版本：
Keras 2.2.4
Python 3.6.8
tensorflow 1.12.0
当我训练时，acc和val_acc不显示在进度条上，但是损失和val_loss通常会显示出来。
436/436 [==============================] - 160s 367ms/step - loss: 0.4628 - output_0_loss: 0.0351 - output_1_loss: 0.0698 - output_2_loss: 0.1572 - output_3_
浏览 0提问于2019-08-07得票数 1
1回答
我有一个模型，它使用几个多对多的RNN层，然后是一个多对一层和一对一的解码层。
因此，第一个RNN层使用参数"return_sequences=True“，第二个RNN层使用"return_sequences=False”。
到目前为止，这是可行的，但当我添加样本权重时，它就会崩溃。如果我有一个普通的多到多网络，我只需在sample_weight_mode=()函数中设置“temporal”，并将权重定义为2d矩阵。
然而，在我的多对一的情况下，这是行不通的，因为我得到一个错误，时间权重期望一个时间维度的输出。我意识到这很可能是因为我的解码层不再是时态的(多对一)。但我不能使用
浏览 0提问于2018-02-19得票数 0
回答已采纳
1回答
我正在进行卫星数据方面的培训。由于数据中的类分布极不均衡，因此本文采用随机多数欠采样的方法对神经网络进行训练，人为地平衡了每个班的训练样本数。在验证过程中，我不以任何方式对数据进行重采样。
📷
📷
在上面的图表中，橙色是训练的表现，蓝色是验证。验证精度和损失值比训练精度和损失大得多。即使训练正确率在90%左右，验证精度在某一时间点甚至达到0.2%。为什么验证指标波动得很厉害，而训练指标却保持相当恒定？
关于模型/数据的一些补充资料：
我用U网模型将卫星图像分割成三个土地覆盖类别。与原论文相比，U网模型在每一层的滤波器数只有原来的一半，在每次卷积后和激活之前，我都采用批归一化。该模型使用带有初始
浏览 0提问于2020-08-31得票数 1
我想为部分正样本设置相同的权重。然而，在我看来，tf.nn.weighted_cross_entropy_with_logits只能设置所有正样本的权重。
例如，在ctr预测中，我希望为订单样本设置10个权重，而单击样本和未单击样本的权重仍为1。
以下是我的未加权代码
def my_model(features, labels, mode, params):
net = tf.feature_column.input_layer(features, params['feature_columns'])
for units in params['hidde
浏览 1提问于2018-03-16得票数 1
我刚看到
# Combined model trains generators to fool discriminators
self.combined = Model(inputs=[img_A, img_B],
outputs=[ valid_A, valid_B,
reconstr_A, reconstr_B,
img_A_id, img_B_id ])
self.combined.compile(loss=['
浏览 0提问于2019-08-14得票数 0
回答已采纳
假设我有一个有5个输出的神经网络：
[o1, o2, o3, o4, o5]
我怎样才能给o5更多的权重？因此，在计算成本函数时，o5比任何其他输出都有更大的影响。
例如，假设o1的误差为0.1，o5的误差为0.1。o5误差对成本函数的影响要大于o1误差。
具体来说，我想用张索福/角来做这个。
另一个更详细的例子是：
[o1, o2, o3, o4]都是0到1之间的值，代表了几个偏离平均房价的值。
o5是介于0到1之间的一个值，它代表了房屋卖家的紧迫性；无论他们是否急于出售。
o1，o2，o3，o4中的细微不准确是，而不是o5中的不准确。
浏览 5提问于2021-02-06得票数 0
回答已采纳
对于我的二值分类问题(A比B)，两个类别中的每一个图像都有其各自的权重。这意味着，例如，如果我有10000张A的图像，并不是所有的图像都是同等重要的。"0.9“表示它非常重要，而"0.01”表示它没有那么重要。
这一信息能否传达给Tensorflow的培训？
谢谢你的帮助。
浏览 0提问于2019-03-19得票数 2
1回答
我正试图从scrath构建一个支持向量机，我希望最大限度地利用这个Lagrarian表达式：
📷
我知道变量意味着什么，但我想知道这个最大化是如何实现的。我是否应该从接近0的α开始，并在找到支持向量之前增加它？
浏览 0提问于2020-04-27得票数 2
我正在尝试对二进制数据进行分类。在数据文件中，0,1类被转换为-1,1.数据有21个特性.所有功能都是分类。我在用神经网络进行训练。训练指挥部是：
vw -d train.vw --cache_file data --passes 5 -q sd -q ad -q do -q fd --binary -f model --nn 22
我将原始预测文件创建为：
vw -d test.vw -t -i neuralmodel -r raw.txt
和正常预测文件如下：
vw -d test.vw -t -i neuralmodel -p out.txt
原始文件的
浏览 3提问于2015-03-02得票数 4
回答已采纳
当我们有一个不平衡的机器学习问题时，让我们假设一个二进制分类问题，其中0类是多数类，1类是少数类。这里第一课对你来说是最重要的课程。现在，您的数据集由100个样本组成:70个来自0类的样本和30个来自第1类的样本。
在这种情况下，通常定义并使用加权二进制交叉熵损失函数来计算损失。
classweights = torch.FloarTensor([1.000, 1.300])
weighted_loss = torch.nn.BCELoss(weight = classweights)
对于像F1评分这样的度量标准，是否需要使用这些权重？
sample_classweights = sklea
浏览 0提问于2020-09-02得票数 0
回答已采纳
1回答
我有一个用来对一些数据进行分类的模型，它的目标输出是21。它使用adam优化器和分类交叉熵损失。为了改善模型损失，我对数据集中的类别频率进行了可视化，发现最高的2个类别的频率约为25,000和20,000，而最低的2个类别的频率约为4，40。其他的班级从100到2000。我意识到这是一个截然不同的值，并尝试添加我使用sklearn提取的类内权重，如下所示：
我的y数组采用one-hot编码风格，如下所示：
class1, class2, class3, class4 ... class21
0 0 1 0 ... 0
1
浏览 0提问于2020-07-12得票数 1
1回答
我在我的数据集上使用tensorflow对象检测api。我使用的是ssd-resnet50-fpn模型。在训练过程中，我看到分类损失和本地化损失已经收敛，但总损失仍在减少。另外，总损失也不是分类损失和定位损失的总和。任何关于为什么会发生这种情况的想法。我正在使用object_detection/ train.py /文件夹中的遗留文件来训练我的数据集。附图相同。
浏览 11提问于2020-02-25得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
