加权交叉熵损失函数;多分类；keras实战

加权交叉熵损失函数是一种用于多分类任务的损失函数，它在计算损失时考虑了样本的权重。在某些情况下，不同类别的样本可能具有不同的重要性或难易程度，因此通过给予不同类别的样本不同的权重，可以更好地训练模型。

在加权交叉熵损失函数中，每个样本的损失由两部分组成：交叉熵损失和权重。交叉熵损失用于衡量模型预测结果与真实标签之间的差异，而权重则用于调整每个样本的重要性。

对于多分类任务，常用的加权交叉熵损失函数可以表示为：

L = -∑(y * log(y_pred) * weight)

其中，y是真实标签的one-hot编码，y_pred是模型的预测结果，weight是每个类别的权重。

在Keras中，可以通过使用`keras.losses.CategoricalCrossentropy`作为损失函数，并通过设置`sample_weight`参数来指定每个样本的权重。具体实现如下：

import tensorflow as tf
from tensorflow import keras

# 定义权重
weights = [1.0, 2.0, 1.5]  # 根据实际情况设定

# 定义模型
model = keras.Sequential([...])

# 编译模型
model.compile(optimizer='adam',
              loss=keras.losses.CategoricalCrossentropy(),
              weighted_metrics=['accuracy'])

# 训练模型
model.fit(x_train, y_train, sample_weight=weights, ...)

这样，模型在计算损失时会考虑每个样本的权重，从而更好地适应不同类别的样本。