我目前正在处理一个二项分类算法，数据极度倾斜（90%负样本/10%正样本），使用tf.estimator.DNNClassifier。由于我训练的所有模型都倾向于将所有样本标记为负样本，我需要实现一个加权损失函数。
我查看了许多不同的问题，其中许多都很有启发性。然而，我无法得到一个实际的端到端答案，关于如何真正实现这些函数。这个和这个讨论是最好的。
我的问题是：我想使用tf.nn.weighted_cross_entropy_with_logits()，但我不知道应该在代码的哪里插入它。
我有一个构建特征列的函数：
def construct_feature_columns(input_features): return set([tf.feature_column.numeric_column(my_feature) for my_feature in input_features])一个定义tf.estimator.DNNClassifier以及其他参数的函数，如优化器和输入函数：
def train_nn_classifier_model( learning_rate, steps, batch_size, hidden_units, training_examples, training_targets, validation_examples, validation_targets): dnn_classifier = tf.estimator.DNNClassifier( feature_columns=construct_feature_columns(training_examples), hidden_units=hidden_units, optimizer=my_optimizer)训练函数：
dnn_classifier.train(input_fn=training_input_fn, steps=steps_per_period)预测函数，用于在训练时计算误差：
training_probabilities = dnn_classifier.predict(input_fn=predict_training_input_fn)优化器：
my_optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate) my_optimizer = tf.contrib.estimator.clip_gradients_by_norm(my_optimizer, 5.0)输入函数（用于训练输入、预测训练输入和验证输入）：
training_input_fn = lambda: my_input_fn( training_examples, training_targets['True/False'], batch_size=batch_size)我应该在哪里插入tf.nn.weighted_cross_entropy_with_logits，以便我的模型使用这个函数计算损失？
另外，如何在交叉熵函数中调用targets (A Tensor of the same type and shape as logits)？它是training_targets数据框，还是input function的输出，其中包含training_targets作为输入？
具体来说，logits是什么？因为对我来说，它们应该是来自函数的预测：
training_probabilities = dnn_classifier.predict(input_fn=predict_training_input_fn)但这对我来说似乎不太合理。我尝试了许多不同的方法来实现它，但没有一个有效。
回答：
我很遗憾地告诉您一个坏消息，DNN分类器不支持自定义损失函数：
损失是通过使用softmax交叉熵计算的。
这是文档中唯一提到损失（函数）的部分，我找不到任何帖子讨论直接更改DNNClassifier的有效解决方案。相反，看起来您需要构建自己的自定义估计器。
