神经网络-数据不均衡解决方法之一--为交叉熵损失加入权值

面对数据不均衡的问题，除了扩增数据集之外，一个方法可以重新定义loss值，让你注重的类别造成的损失更大一些。

在pytorch的框架里，加上一个不均衡的weight值是十分必要的。

比如

1类数据是0类数据的三倍

那么在最终分类时可能模型就直接把所有数据都分为1类。那么通过算loss值时加上一个weight权重，给样本量少的0加上一个较大的权重。可以缓解这种模型把数据全部分为1类的问题

具体代码为：

weight=torch.from_numpy(np.array([0.2,0.8])).float().cuda()

其中0.2和0.8分别是权重。（至于哪个对应标签0哪个对应标签1，诸位自己试试吧）

###################定义损失函数#############

criterion=nn.CrossEntropyLoss(weight=weight)