我有两个类别：正类（1）和负类（0）。

数据集非常不平衡，因此目前我的小批次主要包含0。实际上，许多批次只会包含0。我想尝试对正例和负例设置不同的成本；请看下面的代码。

我的代码问题在于，由于bound_index列表为空，我得到了很多nan。有什么优雅的方法来解决这个问题吗？

def calc_loss_debug(logits, labels):  logits = tf.reshape(logits, [-1])  labels = tf.reshape(labels, [-1])  index_bound = tf.where(tf.equal(labels, tf.constant(1, dtype=tf.float32)))  index_unbound = tf.where(tf.equal(labels, tf.constant(0, dtype=tf.float32)))  entropies = tf.nn.sigmoid_cross_entropy_with_logits(logits, labels)  entropies_bound = tf.gather(entropies, index_bound)  entropies_unbound = tf.gather(entropies, index_unbound)  loss_bound = tf.reduce_mean(entropies_bound)  loss_unbound = tf.reduce_mean(entropies_unbound)

回答：

由于你有0和1的标签，你可以轻松避免使用tf.where，使用如下结构：

labels = ...entropies = ...labels_complement = tf.constant(1.0, dtype=tf.float32) - labelsentropy_ones = tf.reduce_sum(tf.mul(labels, entropies))entropy_zeros = tf.reduce_sum(tf.mul(labels_complement, entropies))

要获得平均损失，你需要除以批次中0和1的数量，这可以很容易地计算为：

num_ones = tf.reduce_sum(labels)num_zeros = tf.reduce_sum(labels_complement)

当然，当批次中没有1时，你仍然需要防止除以0的情况。我建议使用tf.cond(tf.equal(num_ones, 0), ...)来处理。