Torch7 使用不平衡训练集的权重
Torch7 using weights with unbalanced training sets
我在我的卷积网络中使用 CrossEntropyCriterion。我有 150 个 classes，每个 class 的训练文件数量 非常不平衡（5 到 2000 个文件） .根据文档，我可以使用权重对此进行补偿：
criterion = nn.CrossEntropyCriterion([weights])
"If provided, the optional argument weights should be a 1D Tensor assigning weight to each of the classes. This is particularly useful when you have an unbalanced training set."
权重应该采用什么格式？例如：训练文件数 class n / 训练文件总数。
我假设你想在这个意义上平衡你的训练，小 class 变得更重要。通常 有无限多种可能的权重 会导致不同的结果。最简单的方法之一，它简单地假设每个 class 应该同等重要（因此有效地放弃经验先验）是将权重与
成比例
1 / # samples_in_class
例如
weight_of_class_y = # all_samples / # samples_in_y
这样，如果你有 5:2000 比例失调，较小的 class 对模型来说变得重要 400 倍。
我在我的卷积网络中使用 CrossEntropyCriterion。我有 150 个 classes，每个 class 的训练文件数量 非常不平衡（5 到 2000 个文件） .根据文档，我可以使用权重对此进行补偿：
criterion = nn.CrossEntropyCriterion([weights])
"If provided, the optional argument weights should be a 1D Tensor assigning weight to each of the classes. This is particularly useful when you have an unbalanced training set."
权重应该采用什么格式？例如：训练文件数 class n / 训练文件总数。
我假设你想在这个意义上平衡你的训练，小 class 变得更重要。通常 有无限多种可能的权重 会导致不同的结果。最简单的方法之一，它简单地假设每个 class 应该同等重要（因此有效地放弃经验先验）是将权重与
成比例1 / # samples_in_class
例如
weight_of_class_y = # all_samples / # samples_in_y
这样，如果你有 5:2000 比例失调，较小的 class 对模型来说变得重要 400 倍。