我想为n个类执行多标签图像分类任务。我为每个图像都有稀疏的标签向量，每个标签向量的每个维度目前都以这种方式编码：
1.0 - > Label true / Image属于这个类
-1.0 - >标签false / Image不包含在此类中。
0.0 - >缺少值/标签
公式：B = {1.0，-1.0,1.0,0.0}
对于该示例V，模型应该知道相应的图像应该被分类在第一和第三类中。
我的问题是目前如何处理缺失的值/标签。我搜索了这些问题并发现了这个问题：tensorflow / skflow＃113 found here
因此可以使用以下命令进行多重图像分类：tf.nn.sigmoid_cross_entropy_with_logits（logits，targets，name = None）
但TensorFlow具有稀疏softmax的此错误函数，用于独占分类：tf.nn.sparse_softmax_cross_entropy_with_logits（logits，labels，name = None）
那么稀疏的S形交叉熵是否存在？ （无法找到某些内容）或任何建议如何处理稀疏标签的多标签分类问题。
我使用weighted_cross_entropy_with_logits作为损失函数，正值权重为1s。
就我而言，所有标签都同样重要。但是0比任何标签的价值高出1倍的可能性要高出10倍。
所以我通过调用上述损失函数的pos_weight参数来权衡所有1。我使用了pos_weight（=正值的权重）10。顺便说一句，我不建议任何策略来计算pos_weight。我认为这将明确取决于手头的数据。
如果真实标签= 1，则加权_cross_entropy = pos_weight * sigmoid_cross_entropy
具有对数的加权交叉熵与具有对数的Sigmoid交叉熵相同，除了额外权重值乘以具有正实数值的所有目标，即; 1。
理论上，它应该做的工作。我仍在调整其他参数以优化性能。稍后将更新性能统计信息。
首先，我想知道丢失数据的含义是什么意思？你的案件中miss和false有什么区别？
接下来，我认为您代表这样的数据是错误的。您有尝试在同一维度上表示的不相关信息。 （如果它是假的或者是真的那么它会起作用）
在我看来，更好的是为你的每个班级代表一个概率，如果它是好的，或缺失或是假的。
在你的情况下V = [（1,0,0），（0,0,1），（1,0,0），（0,1,0）]
好！所以你的问题更多的是关于如何处理我认为的缺失数据。
所以我认为你绝对应该使用tf.sigmoid_cross_entropy_with_logits()
只需将缺失数据的目标更改为0.5。 （0表示假，1表示真）。我从来没有尝试过这种方法，但它应该让你的网络学习而不会过分偏向它。