如何在自定义损失函数中兼容pixelClassificationLayer的Classes与ClassWeights

处理ClassWeights参数 #

要在自定义损失函数中加入类别权重，你需要修改损失函数定义，将classWeights作为额外参数传入，并在crossentropy函数中指定Weights选项来应用权重。

首先更新损失函数：

function loss = modelLoss(Y, T, classWeights)
    % 处理NaN掩码，忽略无效标签
    mask = ~isnan(T);
    T(isnan(T)) = 0; % 将NaN标签置为0，避免计算错误
    
    % 带类别权重的交叉熵计算
    loss = crossentropy(Y, T, ...
        Mask=mask, ...
        NormalizationFactor="mask-included", ...
        Weights=classWeights);
end

调用trainnet时，通过匿名函数将classWeights传递给损失函数：

% 假设已定义好classNames和classWeights
netTrained = trainnet(images, net, @(Y,T) modelLoss(Y,T,classWeights), options);

处理Classes参数 #

Classes参数的核心作用是建立标签与网络输出通道的映射关系，确保标签索引和网络输出的每个通道一一对应。这个逻辑不需要在损失函数中处理，而是要在数据预处理阶段完成：

1. 如果原始标签是字符串形式，先转换为分类变量再转为数值索引：

% 假设T_strings是原始的字符串标签数组
T_categorical = categorical(T_strings, classNames); % 按classNames指定顺序映射类别
T = double(T_categorical); % 转换为1~N的数值索引（N为类别数）

2. 确保网络输出层的通道数等于numel(classNames)，这样Y的每个通道就对应classNames中的一个类别，损失函数就能正确匹配标签和输出。

关键说明 #

• classWeights直接作用于损失计算，通过crossentropy的Weights参数实现类别平衡；
• Classes主要是规范标签的索引规则，保证训练数据的标签和网络输出的维度、语义对应，属于数据层面的准备工作，与损失函数计算逻辑无关。

内容的提问来源于stack exchange，提问作者JAIME GOMEZ