如何在多个标签问题中为 tensorflow 模型设置类权重？答案

【问题标题】：How to set class weights for tensorflow model in multiple labels question?如何在多个标签问题中为 tensorflow 模型设置类权重？
【发布时间】：2021-08-21 22:45:38
【问题描述】：

我尝试训练一个模型来通过图像预测多个标签。输出是一个包含五个二进制值的列表，例如 [0,0,0,1,1]

我使用 sigmoid 密集层来获取输出，这是我的代码：

inp = tf.keras.layers.Input(shape = (*IMAGE_SIZE, 3), name = 'inp')
x = tfka.ResNet50(weights = 'imagenet', include_top = False)(inp)
x = tf.keras.layers.GlobalAveragePooling2D()(x)
output = tf.keras.layers.Dense(label_dim, activation='sigmoid')(x)
model = tf.keras.models.Model(inputs = [inp], outputs = [output])

现在，我的问题是我的数据集不平衡。并且很难使其平衡，因为每一行都有五个标签。所以，我尝试为每个标签设置不同的类权重，但我不知道该怎么做。

我试试

class_weight = {'label-1': 1:2, 'label-2': 1:5, 'label-3': 1:1, 'label-4': 2:1, 'label-5': 1:10}

但它不起作用。

我的目标是为所有类别和标签分配不同的权重。像这样

在第一个标签中，0类的权重为0.5，1的权重为1

在第二个标签中，0类的权重为0.1，1的权重为1

...

更新：

我认为我应该将我的模型分成五个小模型，因为我想要的是最小化每个标签而不是标签列表的损失。所以将其转换为几个单一的二元分类模型是更好的选择。

【问题讨论】：

在 Python 中，m:n 不是一个比率。尝试使用浮点数作为权重，例如 1:2 变为 0.5、1:5 变为 0.2、2:1 变为 2.0，等等。
如果你查看 tensorflow 文档 (tensorflow.org/api_docs/python/tf/keras/Model#fit)，你可以看到 .fit() 可以带一个 class_weight 参数。
但是，.fit() 权重是针对类而不是针对标签的。如果我只有一个包含 3 个类的标签，它的工作方式类似于 {'A':0.5, 'B':1, 'C':2}。但现在我有 5 个标签，每个标签都有两个类。所以。太复杂了。

标签： python tensorflow deep-learning classification

【解决方案1】：

您在拟合模型时传递每个类的权重。来自 Tensorflow 的 documentation 指定当调用 .fit() 时，您可以传递包含类权重的字典。确保检查该字典的外观，因为它只接受整数（键）和浮点（权重）格式。

【讨论】：

是的，现在我明白了我关于重量设置的错误，但我想知道如何标记它们。比如标签 1 的 {0:0.5} 和 label2 的 {0:2}，......我认为拆分我的模型并仅预测一个标签是一种可能的解决方案。但这似乎很耗时，而且重复的工作太多。你能给我一些建议吗？
如果您使用图像作为输入，也许您可以尝试使用 ImageDataGenerator 然后使用 .flow_from_dataframe() 以了解每个标签所在的索引。当你说你想知道如何标记它们时，你的意思是如何计算每个标签的权重？@Carlos
是的。我检查了损失函数，我想我应该把我的模型分成几个小模型。简而言之，我希望每个标签的损失最小。但是我的输出结合了所有标签值，因此在计算损失时，其他值可能会影响结果。