搬运: https://stackoverflow.com/questions/57610804/when-is-the-timing-to-use-sample-weights-in-keras

import tensorflow as tf
import numpy as np
data_size = 100
input_size=3
classes=3
x_train = np.random.rand(data_size ,input_size)
y_train= np.random.randint(0,classes,data_size )
#sample_weight_train = np.random.rand(data_size)
x_val = np.random.rand(data_size ,input_size)
y_val= np.random.randint(0,classes,data_size )
#sample_weight_val = np.random.rand(data_size )
inputs = tf.keras.layers.Input(shape=(input_size))
pred=tf.keras.layers.Dense(classes, activation='softmax')(inputs)
model = tf.keras.models.Model(inputs=inputs, outputs=pred)
loss = tf.keras.losses.sparse_categorical_crossentropy
metrics = tf.keras.metrics.sparse_categorical_accuracy
model.compile(loss=loss , metrics=[metrics], optimizer='adam')
# Make model static, so we can compare it between different scenarios
for layer in model.layers:
    layer.trainable = False
# base model no weights (same result as without class_weights)
# model.fit(x=x_train,y=y_train, validation_data=(x_val,y_val))
class_weights={0:1.,1:1.,2:1.}
model.fit(x=x_train,y=y_train, class_weight=class_weights, validation_data=(x_val,y_val))
# which outputs:
> loss: 1.1882 - sparse_categorical_accuracy: 0.3300 - val_loss: 1.1965 - val_sparse_categorical_accuracy: 0.3100
#changing the class weights to zero, to check which loss and metric that is affected
class_weights={0:0,1:0,2:0}
model.fit(x=x_train,y=y_train, class_weight=class_weights, validation_data=(x_val,y_val))
# which outputs:
> loss: 0.0000e+00 - sparse_categorical_accuracy: 0.3300 - val_loss: 1.1945 - val_sparse_categorical_accuracy: 0.3100
#changing the sample_weights to zero, to check which loss and metric that is affected
sample_weight_train = np.zeros(100)
sample_weight_val = np.zeros(100)
model.fit(x=x_train,y=y_train,sample_weight=sample_weight_train, validation_data=(x_val,y_val,sample_weight_val))
# which outputs:
> loss: 0.0000e+00 - sparse_categorical_accuracy: 0.3300 - val_loss: 1.1931 - val_sparse_categorical_accuracy: 0.3100
 
class_weight: output 变量的权重
 sample_weight: data sample 的权重
 
                    搬运: https://stackoverflow.com/questions/57610804/when-is-the-timing-to-use-sample-weights-in-kerasimport tensorflow as tfimport numpy as npdata_size = 100input_size=3classes=3x_train = np...
class_weight和sample_weight
1、class_weight 对训练集中的每个类别加一个权重，如果是大类别样本多那么可以设置低的权重，反之可以设置大的权重值
2、sample_weight 对每个样本加权中，思路与上面类似。样本多的类别样本权重低
例如 model.fit(class_weight={0:1.,1:
				
数据预处理
在tf.tensorflow.preprocessing包中有数据预处理的函数，包括：image、Sequence、text。
以tf.tensorflow.preprocessing.image中的ImageDataGenerator为例：
tf.keras.preprocessing.image.ImageDataGenerator(
    featurewise_center=False,   # 
    samplewise_center=False,
    featurewise
sample_weight是keras中的fit的参数，中文文档介绍如下：
简单点的解释如下：参考https://blog.csdn.net/weixin_40755306/article/details/82290033#commentBox
sample_weight的作用就是为数据集中的数据分配不同的权重。
				
sample_weight对每一个sample的梯度，乘以对应的weight
import tensorflow as tf
from tensorflow import keras
from keras.layers import *
import numpy as np
tf.random.set_seed(1)
np.random.seed(1)
x_input = Input(shape=(None, 1))
y_input = Input(shape=(None, 1))
ki = kera
				
模型训练中，如果希望模型更偏向某一类数据或更聚焦于某一批样本，可以采用对数据类别和数据加权的形式达到上述效果。
keras 默认设置下，样本的权重取决于其在数据集中的频率，即原始样本的分布。有两种方法可以对数据进行加权，而与采样频
Tips：
如下代码为方便测试跑通准备，分别构建了深度模型并加载了手写数字识别数据，可以直接忽略看后面~
    def get_uncompiled_model():
        inputs = keras.Input(shape=(784,).
对于二分类问题，评价指标可以用 binary_accuracy，就是最直观上讲的准确率。
当面对多分类或者多标签的任务时，评价度量可能会用到这两个 categorical_accuracy和 sparse_categorical_accuracy
binary_accuracy自然不必多讲，这篇文章讲一下categorical_accuracy和 sp...
tf.keras.metrics.SparseCategoricalAccuracy(
    name='sparse_categorical_accuracy', 
    dtype=None
SparseCategoricalAccuracy函数用于计算多分类问题的准确率。计算过程如下：
def sparse_categorical_accuracy(y_true, y_pred):
    return K.cast(K.equal(K.max(y_true, axis=
				
LightGBM在多分类问题上，使用与sklearn决策树中参数class_weight='balanced'的算法一致，都使用 n_samples / (n_classes * np.bincount(y))
但sklearn中对于binary二分类问题，同样使用n_samples / (n_classes * np.bincount(y))计算class_weight='balanced'；
  在利用神经网络进行分类和识别的时候，使用了keras这个封装层次比较高的框架，backend使用的是tensorflow-cpu。
  在交叉验证的时候，出现val_categorical_accuracy: 0.0000e+00的问题。
问题分析：
  首先，弄清楚，训练集、验证集、测试集的区别，验证集是从训练集中提前拿出一部分的数据集。在keras中，一般...
 not_y_pred=np.logical_not(y_pred) 
 y_int1=y_true*y_pred 
 y_int0=np.logical_not(y_true)*not_y_pred 
 TP=np.sum(y_pred*y_int1) 
 FP=np.sum(y_pred)-TP 
 TN=np.sum(not_y_pred*y...