keras label是稀疏矩阵时 对loss函数的修改

可以降低label为0时对loss函数的贡献，或是相反的，提升非0对loss的贡献

在直接使用StackOverflow的解决办法时，出现了希望得到float矩阵但是得到int23的报错，添加：true=tf.cast(true, dtype=tf.float32) 即可。修改后如下：

def weightedLoss(w):

    def loss(true, pred):
        true=tf.cast(true, dtype=tf.float32)
        error = K.binary_crossentropy(true,pred,from_logits=True)
        error = K.switch(K.equal(true, 0), w * error , error)
        return error

    return loss

用的时候：

model.compile(loss = weightedLoss(0.1), ...)

我们可以给出推荐的w值：

w = K.mean(y_train)
w = w / (1 - w) #this line compesates the lack of the 90% weights for class 1

但是，根据我实际运行的情况，更推荐把用1/w，即：

def weightedLoss(w):

    def loss(true, pred):
        true=tf.cast(true, dtype=tf.float32)
        error = K.square(true - pred)
        error = K.switch(K.equal(true, 1),  error/w , error)

        return error 

    return loss