如何给损失函数加权重【拓展篇解答】

阿洲

解决方案

针对前文提出的问题，经过探索，我终于发现了一个极简的解决方案，其他想法和思路这里就不赘述了，直接看代码把。

回顾

先简单回顾一下问题

N_total：数据总个数
C：类别数
N_batch: 每个batch被分到的数据数量

假设我们有数据 N_total 个 input: 不管是几维的，当算损失值的时候 (每个batch更新一次参数)，损失函数的输入维度分别是

input （模型的输出，损失函数的输入）:（N_batch，C）
target （对应的标签）：（N_batch, ）

loss = nn.CrossEntropyLoss(reduction='none')
output = loss(input, target)

由于设置了reduction=‘none’，这里的output维度为（N_batch, ）

前文已经说明，当计算损失函数的时候，如果要对每个样本进行加权，最终的损失值计算如下：

final_loss = (w*output).sum()/w.sum()

w 就是每个样本的权重，维度为 (N_batch, )

现在的问题是当我们对数据进行封装的时候，也就是获得DataLoader迭代器的时候，如何获得被分配好的样本的原索引，以便我们可以获得其对应的权重？

问题拆解

在寻找答案的过程中，我发现获得这些数据的原索引是一个比较困难的问题，但是如果我们的目的只是获得被分配好的样本的权重，其实并不需要通过获得索引的方式，可以把权重一起加入分配过程就好了。

解决方案

假设我们有 N_total 个

input 样本
target 标签
weights 权重

PS：都是torch tensor
在封装之前我们可以简单使用TensorDataset把weights加进去就好了

import torch
from torch.utils.data import DataLoader
from torch.utils.data import TensorDataset

train_dataset = TensorDataset(input, target, weights)

train_loader = DataLoader(train_dataset, batch_size=N_batch)

...
loss = nn.CrossEntropyLoss(reduction='none')
for i, (x, y, w) in enumerate(train_loader):
    outputs = model(x)
    losses= loss(outputs, y)
    final_loss = (w*losses).sum()/w.sum()
    final_loss.backward()
...

搞定！

如何给损失函数加权重 【拓展篇 解答】

解决方案

回顾

问题拆解

解决方案

如何给损失函数加权重【拓展篇解答】