我在使用class_weight处理多标签问题时遇到了麻烦。也就是说，每个标签要么是0要么是1，但每个输入样本有多个标签。

代码（使用随机数据作为MWE目的）：

我得到的错误是：

ValueError: `class_weight` must contain all classes in the data. The classes set([330]) exist in the data but not in `class_weight`.

每次运行时’set([…])’中的值都会变化。但正如我所说，数据中只有0和1两个类别；只是每个样本有多个标签。所以例如，一个响应（y_train）看起来像这样：

print y_train[0,:]#[ 0.  0.  1. ...,  0.  1.  0.]

如何在Keras中对多标签问题使用class_weights？

回答：

是的。这是Keras中的一个已知bug（问题#8011）。基本上，Keras代码假设使用的是独热编码，而非多标签序数编码来确定类别数量。

keras/engine/training.py：

# 如果第二维度大于1，则必须是独热编码，# 因此我们只需获取最大索引...if y.shape[1] > 1:  y_classes = y.argmax(axis=1)

目前我想不到更好的解决方法，只能设置y_true[:, 1] = 1，即在y中“保留”1的位置始终为1。这样会导致y_classes = 1（这在二元分类中是正确的值）。

为什么有效？ 当y_true[i]的值为类似[0, 0, ..., 0, 1, ...]时，代码会失败，其中有一些前导零。Keras实现（错误地）通过最大元素的索引来估计类别数量，结果发现对于y[i][j] = 1的某个j > 1。这让Keras引擎认为有超过2个类别，因此提供的class_weights是错误的。设置y_true[i][1] = 1确保j <= 1（因为np.argmax选择最小的最大索引），这使得可以绕过Keras的检查。