如何在 Pytorch 中定义“不关心”class？
How to define a “don't care” class in Pytorch?
我有一个时间序列 classification 任务，其中我应该为每个时间戳 t.[=12 输出 3 classes 的 classification =]
所有数据都按帧标记。
数据集中有3个以上class[也是不平衡的]。
我的网络应该按顺序查看所有样本，因为它使用它来获取历史信息。
因此，我不能只在预处理时消除所有不相关的 class 个样本。
如果预测帧的标记与这 3 个 class 不同，我不关心结果。
如何在 Pytorch 中正确执行此操作？
来自 this discussion, which was not google searchable, there are two options, both are options of the CrossEntropyLoss 的关注：
选项 1
如果只有一个class可以忽略，在实例化损失时使用ignore_index=class_index。
选项 2
如果有更多class，则使用weight=weights，与weights.shape==n_classes和torch.sum(weights[ignored_classes]) == 0
我有一个时间序列 classification 任务，其中我应该为每个时间戳 t.[=12 输出 3 classes 的 classification =]
所有数据都按帧标记。
数据集中有3个以上class[也是不平衡的]。
我的网络应该按顺序查看所有样本，因为它使用它来获取历史信息。
因此，我不能只在预处理时消除所有不相关的 class 个样本。
如果预测帧的标记与这 3 个 class 不同，我不关心结果。
如何在 Pytorch 中正确执行此操作？
来自 this discussion, which was not google searchable, there are two options, both are options of the CrossEntropyLoss 的关注：
选项 1
如果只有一个class可以忽略，在实例化损失时使用ignore_index=class_index。
选项 2
如果有更多class，则使用weight=weights，与weights.shape==n_classes和torch.sum(weights[ignored_classes]) == 0