我正在尝试使用TensorFlow实现多标签分类(即,每个输出模式可以具有许多活动单元)。该问题具有不平衡的类(即,比标签分布中的零更多的零,这使得标签模式非常稀疏)。
解决问题的最佳方法应该是使用tf.nn.weighted_cross_entropy_with_logits
函数。但是,我收到此运行时错误:
ValueError: Tensor conversion requested dtype uint8 for Tensor with dtype float32
我无法理解这里有什么问题。作为损失函数的输入,我传递标签张量,logits张量和正类权重,这是一个常量:
positive_class_weight = 10
loss = tf.nn.weighted_cross_entropy_with_logits(targets=labels, logits=logits, pos_weight=positive_class_weight)
关于如何解决这个问题的任何提示?如果我只是传递相同的标签并将张量记录到tf.losses.sigmoid_cross_entropy
损失函数,那么一切都运行良好(在Tensorflow正常运行的意义上,但当然训练预测总是为零)。
查看相关问题here。
在损失函数之后可能会抛出错误,因为tf.losses.sigmoid_cross_entropy
和tf.nn.weighted_cross_entropy_with_logits
之间唯一的显着差异是返回张量的形状。
看看这个例子:
logits = tf.linspace(-3., 5., 10)
labels = tf.fill([10,], 1.)
positive_class_weight = 10
weighted_loss = tf.nn.weighted_cross_entropy_with_logits(targets=labels, logits=logits, pos_weight=positive_class_weight)
print(weighted_loss.shape)
sigmoid_loss = tf.losses.sigmoid_cross_entropy(multi_class_labels=labels, logits=logits)
print(sigmoid_loss.shape)
张量logits
和labels
是一种人造的,都有形状(10,)
。但重要的是weighted_loss
和sigmoid_loss
是不同的。这是输出:
(10,)
()
这是因为tf.losses.sigmoid_cross_entropy
执行减少(默认情况下为总和)。所以为了复制它,你必须用tf.reduce_sum(...)
包装加权损失。
如果这没有帮助,请确保labels
张量具有类型float32
。这个bug非常容易制作,例如,以下声明不起作用:
labels = tf.fill([10,], 1) # the type is not float!
您可能也有兴趣阅读this question。