【Pytorch神经网络理论篇】 34 样本均衡+分类模型常见损失函数

同学你好！本文章于2021年末编写，获得广泛的好评！

故在2022年末对本系列进行填充与更新，欢迎大家订阅最新的专栏，获取基于Pytorch1.10版本的理论代码(2023版)实现，

Pytorch深度学习·理论篇(2023版)目录地址为：

CSDN独家 | 全网首发 | Pytorch深度学习·理论篇(2023版)目录本专栏将通过系统的深度学习实例，从可解释性的角度对深度学习的原理进行讲解与分析，通过将深度学习知识与Pytorch的高效结合，帮助各位新入门的读者理解深度学习各个模板之间的关系，这些均是在Pytorch上实现的，可以有效的结合当前各位研究生的研究方向，设计人工智能的各个领域，是经过一年时间打磨的精品专栏！https://v9999.blog.csdn.net/article/details/127587345欢迎大家订阅(2023版)理论篇

以下为2021版原文~~~~

 

1 样本均衡

当训练样本不均衡时，可以采用过采样、欠采样、数据增强等手段来避免过拟合。

1.1 使用权重采样类

Sampler类中有一个派生的权重采样类WeightedRandomSampler，能够在加载数据时，按照指定的概率进行随机顺序采样。

WeightedRandomSampler(samples_weight, samples_num)

1、weights：对应的是“样本”的权重而不是“类别的权重”。 也就是说：有一千个样本，weight的数值就有一千个，因此有 len（weight）= 样本数。
2、num_sampes：提取的样本数目，待选取的样本数目一般小于全部的样本数
3、replacement：用于指定是否可以重复选取某一个样本，默认为True，即允许在个epoch中重复选取某一个样本。如果设为False，则当某一类的样本被全部选完，但其样本数自仍未达到num_samples时，sampler将不会再从该类中选取本，此时可能导致weights参数失效。

1.2 WeightedRandomSampler图文解释

如下图，weight是一些tensor，代表每个位置的样本对应的权重，WeightedRandomSampler(weights, 6, True) ，表示按照weight给出的权重，生成六个索引，而且是重复取样。

 从输出可以看出，位置 [1] = 10 由于权重较大，被采样的次数较多，位置[0]由于权重为0所以没有被采样到，其余位置权重低所以都仅仅被采样一次。

1.2.1 获得某个数据集的权重手动计算方法

weight = [ ] 里面每一项代表该样本种类占总样本的倒数。

例如： 数据集 animal = [ cat, cat, dog, dog, dog]，cat有两个，dog有三个。

解：
        第一步：先计算每种动物的占比，
                cat_count = 2/5 = 0.4
                dog_count = 3/5 = 0.6

        第二步：再计算count的倒数，也就是占比的倒数，这个数值就是weight
                cat_weight = 1/count = 1/0.4 = 2.5
                dog_weight = 1/count = 1/0.6 = 1.67

        第三步：生成权重
                weight 列表就可以写作：weight = [2.5, 2.5, 1.67, 1.67, 1.67]

1.3 WeightedRandomSampler代码实战

1.3.1 把1000条数据，概率相等的采样，采200条数据：

from torch.utils.data import WeightedRandomSampler
 
weights=[1]*1000
 
bbb=list(WeightedRandomSampler(weights, 200, replacement=True))
 
print(bbb)

1.3.2 dataset类上的实现

weights =aaa=[1]*20000
sampler=WeightedRandomSampler(weights,num_samples=200,replacement=True)
 
_image_size = 32
_mean = [0.485, 0.456, 0.406]
_std = [0.229, 0.224, 0.225]
trans = transforms.Compose([
    transforms.RandomCrop(_image_size),
    # transforms.RandomHorizontalFlip(),
    # transforms.ColorJitter(.3, .3, .3),
    transforms.ToTensor(),
    # transforms.Normalize(_mean, _std),
])

if __name__ == '__main__':
 
    train_ds = DogsCatsDataset(r"D:\data\ocr\wanqu\archive", "train", transform=trans)
    train_dl = DataLoader(train_ds, batch_size=2,num_workers=1,sampler=sampler)
    # train_dl = DataLoader(train_ds, batch_size=20,num_workers=1,shuffle=True)
 
    for i, (data, target) in enumerate(train_dl):
        # print(i,target)
        if len(np.where(target.numpy() == 1)[0])>0:
            print('find 1')

1.3.3  Tip

在Dataloader类中，使用了采样器Sampler类就不能使用shume参数。

1.4 权重采样的影响

通过采样的方式进行样本均衡，只是一种辅助手段，它也会引入一些新的问题。在条件允许的情况下，还是推荐将所收集的样本尽量趋于均衡。

1.4.1 过采样

重复正比例数据，实际上没有为模型引入更多数据，过分强调正比例数据，会放大正比例噪声对模型的影响。

1.4.2 欠采样

丢弃大量数据，和过采样一样会存在过拟合的问题。

1.5 通过权重损失控制样本均衡

在多标签非互斥的分类任务（一个对象可以被预测出多种分类）中，还可以使用   BCEWithLogitsLoss函数，在计算损失时为每个类别分配不同的权重。

这种方式可以使模型对每个类别的预测能力达到均衡。例如，多分类的个数是6，则可以使用类似的代码指定每个分类的权重：

pos_weight = torch.ones( [6] )#为每个分类指定权重为1
criterion = torch.nn.BCEwithLogitsioss( posweight = pos_weight)

2 分类模型常用的损失函数

2.1 BCELoss

用于单标签二分类或者多标签二分类，即一个样本可以有多个分类，彼此不互斥。输出和目标的维度是(batch,C)，batch是样本数量，C是类别数量。每个C值代表属于一类标签的概率。

2.2 BCEWthLogtsLoss

用于单标签二分类或者多标签二分类，它相当于Sigmoid+BCELoss，即对网络输出的结果先做一次Sigmoid将其值域变为[0，1]，再对其与标签之间做BCELoss。

当网络最后一层使用nn.Sigmoid时，就用BCELoss。

当网络最后一层不使用nn.Sigmoid时，就用BCEWithLogitsLoss。

2.3 CrossEntropyLoss

用于多类别分类，输出和目标的维度是(batch，C)，batch是样本数量，C是类别数量。每一个C之间是互斥的，相互关联的。

对于每一个batch的C个值，一起求每个C的softmax，所以每个batch的所有C个值之和是1，哪个值大，代表其属于哪一类。

若用于二分类，那输出和目标的维度是(batch，2)。