如何在多标签问题中为tensorflow模型设置类权重？

Question

我尝试训练一个模型，通过图像来预测几个标签。输出是一个包含五个二进制值的列表，如下面的0,0,0,1,1

我使用sigmoid密集层来获取输出，下面是我的代码：

inp = tf.keras.layers.Input(shape = (*IMAGE_SIZE, 3), name = 'inp')
x = tfka.ResNet50(weights = 'imagenet', include_top = False)(inp)
x = tf.keras.layers.GlobalAveragePooling2D()(x)
output = tf.keras.layers.Dense(label_dim, activation='sigmoid')(x)
model = tf.keras.models.Model(inputs = [inp], outputs = [output])

现在，我的问题是我的数据集是不平衡的。而且很难使其平衡，因为每行都有五个标签。因此，我尝试为每个标签设置不同的类权重，但我不知道如何做。

我试着

class_weight = {'label-1': 1:2, 'label-2': 1:5, 'label-3': 1:1, 'label-4': 2:1, 'label-5': 1:10}

但它不起作用。

我的目标是为所有类和标签分配不同的权重。像这样

在第一个标签中，类0的权重为0.5，1的权重为1

在第二个标签中，类0的权重为0.1，1的权重为1

..。

更新：

我认为我应该将我的模型分成五个小模型，因为我想要的是最小化每个标签的损失，而不是标签列表。因此，将其转换为多个单二分类模型是更好的选择。

Answer 1

在拟合模型时传递每个类的权重。来自Tensorflow的documentation指定当调用.fit()时，您可以传递一个包含类权重的字典。确保检查这个字典应该是什么样子，因为它只接受整数(key)和浮点(weight)格式。