pytorch类别加权方法

在PyTorch中，可以通过在损失函数中为每个类别分配不同的权重来实现类别加权。具体来说，可以使用`torch.nn.CrossEntropyLoss`损失函数，并在其构造函数中传入一个`weight`参数，该参数是一个张量，用于为每个类别分配权重。权重可以根据每个类别的样本数量计算得出，也可以手动设置。

下面是一个示例代码，演示如何使用`torch.nn.CrossEntropyLoss`实现类别加权：

import torch
import torch.nn as nn

# 假设有10个类别，每个类别的样本数量如下
sample_count = [100, 200, 300, 400, 500, 600, 700, 800, 900, 1000]

# 计算每个类别的权重
weights = torch.FloatTensor([1.0 / count for count in sample_count])

# 定义交叉熵损失函数，并传入权重参数
criterion = nn.CrossEntropyLoss(weight=weights)

# 假设有一个大小为(100, 10)的输出张量和一个大小为(100,)的目标张量
output = torch.randn(100, 10)
target = torch.randint(0, 10, (100,))

# 计算损失
loss = criterion(output, target)

在上述示例代码中，我们首先根据每个类别的样本数量计算了权重，然后在定义交叉熵损失函数时通过`weight`参数传入了这些权重。最后，我们使用输出张量和目标张量计算了损失。这样，就可以实现类别加权了。