最稳妥的二分类加权方法是自定义损失函数，用tf.keras.losses.binary_crossentropy手动按label选择权重相乘；多分类需通过sample_weight间接实现类别加权，且验证集不可加权以保证评估真实。
怎么用 tf.keras.losses.BinaryCrossentropy 加权处理二分类不平衡
直接在初始化时传入 class_weight 参数不行——那是 model.fit() 的参数，不是损失函数本身的配置。真正起作用的是让损失函数内部对正负样本分别乘上不同权重，得手动改计算逻辑或换用支持加权的封装方式。
最稳妥的做法是自定义损失函数，用 tf.nn.weighted_cross_entropy_with_logits（仅适用于 logits 输入）或手动加权 tf.keras.losses.binary_crossentropy：
-
tf.nn.weighted_cross_entropy_with_logits要求输入是未经过 sigmoid 的 logits，且权重只作用于正样本（label=1），负样本默认权重为 1；若要两边都控权，得自己实现 - 更通用的做法：用
tf.keras.losses.binary_crossentropy算出每个样本的 loss，再按真实 label 选择对应权重相乘，最后取均值 - 注意 label 必须是 float32 类型，否则和权重相乘时可能触发隐式类型转换错误
多分类场景下怎么用 tf.keras.losses.CategoricalCrossentropy 加权
多分类加权不能靠简单缩放输出层，必须在损失计算中对每个类别的样本赋予不同权重。TensorFlow 原生不支持 per-class 权重传入该损失函数，但可以通过 sample_weight 机制间接实现。
关键点在于：训练时把每个样本的权重向量（长度 = batch_size）传给 model.fit(..., sample_weight=...)，而这个向量需根据每个样本的真实类别索引查表得到：
立即学习“Python免费学习笔记（深入）”；
- 先统计各类别频次，算出权重：比如 class 0 占 90%，class 1 占 10%，则权重可设为
[1/0.9, 1/0.1]或用 sklearn 的compute_class_weight - 构建
sample_weight数组：对 batch 中每个样本，用其 one-hot label 的tf.argmax找到类别 id，再查权重数组取值 - 必须确保
sample_weightshape 是(batch_size,)，不能是(batch_size, num_classes)，否则报错ValueError: sample_weight tensor must be 1D
为什么 class_weight 参数有时没效果？
class_weight 是 model.fit() 的高级封装，底层仍靠生成 sample_weight 实现。它失效通常是因为：
- 模型输出层用了
activation='sigmoid'但标签是整数（如 [0, 1, 1, 0]），此时 Keras 默认当作 multi-label 处理，class_weight不生效——必须转成 one-hot 或改用 sparse 版本 - 用了
SparseCategoricalCrossentropy损失，但class_weight传的是 dict 形式（如{0: 1.0, 1: 5.0}），这其实是有效的；但如果传成了 list 就会静默失败 - 数据 pipeline 用了
tf.data.Dataset且没把权重作为第三项返回（即dataset.map(lambda x, y: (x, y, weight))），class_weight完全不起作用
加权后验证集指标不准怎么办？
加权只影响训练时梯度更新方向，不影响验证阶段 loss 计算逻辑。如果你发现 val_loss 突然变大、val_accuracy 剧烈波动，大概率是验证集也误加了权重。
务必确认：model.evaluate() 和 model.fit(validation_data=...) 中的验证数据不能带 sample_weight，否则评估结果失真：
- 验证集应保持原始分布，所有样本权重为 1
- 如果用
tf.data.Dataset构建验证集，确保 map 函数只返回(x, y)，不要返回第三个权重项 - 使用
class_weight时，Keras 默认不会对 validation_data 应用权重——但如果你手动传了validation_sample_weight，就得自己负责清零
类别不平衡问题里，最容易被忽略的不是怎么加权，而是加权后如何评估：auc、f1-score、per-class recall 这些指标比 accuracy 更能反映模型在少数类上的真实能力。
