张量流中的加权成本函数

我试图将权重引入以下成本函数：

_cost = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=_logits, labels=y))

但不必自己做 softmax 交叉熵。因此，我正在考虑将成本计算分解为 cost1 和 cost2，并为每个成本提供 logits 和 y 值的修改版本。

我想做这样的事情，但不确定正确的代码是什么：

mask=(y==0)
y0 = tf.boolean_mask(y,mask)*y1Weight

（这给出了掩码不能是标量的错误）

权重掩模可以使用以下方式计算tf.where。这是加权成本示例：

batch_size = 100
y1Weight = 0.25
y0Weight = 0.75


_logits = tf.Variable(tf.random_normal(shape=(batch_size, 2), stddev=1.))
y = tf.random_uniform(shape=(batch_size,), maxval=2, dtype=tf.int32)

_cost = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=_logits, labels=y)

#Weight mask, the weights for label=0 is y0Weight and for 1 is y1Weight
y_w = tf.where(tf.cast(y, tf.bool), tf.ones((batch_size,))*y0Weight, tf.ones((batch_size,))*y1Weight)

# New weighted cost
cost_w = tf.reduce_mean(tf.multiply(_cost, y_w))

正如@user1761806所建议的，更简单的解决方案是使用tf.losses.sparse_softmax_cross_entropy()它允许对类别进行加权。