ClassWeights必须通过model.fit()的class_weight参数传入字典，键为int类标签、值为float权重；不可用于compile()或损失函数，非字典格式会报TypeError。
ClassWeights在tf.keras中怎么传给model.fit()
必须通过class_weight参数传入，不是模型层参数，也不是损失函数配置项。它只在model.fit()调用时生效，且要求输入是字典：键为整数类标签（0, 1, 2…），值为对应权重浮点数。
常见错误是把class_weight当成compile()的参数，或者误传成列表（如[1.0, 2.5, 4.0]）——TensorFlow会直接报TypeError: class_weight must be dict。
实操建议：
- 先用
np.unique(y_train, return_counts=True)统计每类样本数，再按公式weight = total_samples / (n_classes * class_count)算初始权重 - 若某类样本极少（比如仅5个），直接套公式可能导致权重过大（如>100），训练不稳定；可手动截断上限，例如
min(weight, 50.0) - 验证集（
validation_data）不参与class_weight计算，也不需要提供权重
为什么用sklearn.utils.class_weight.compute_class_weight()结果要转成int键字典
compute_class_weight()默认返回numpy.ndarray，而model.fit()严格要求class_weight是{0: w0, 1: w1, ...}格式的dict，且键必须是Python原生int（不能是np.int64）。
否则会触发KeyError或静默失效（尤其在TF 2.10+中更敏感）。典型错误现象：训练loss下降但某类预测全为0，实际是权重没生效。
正确转换方式：
from sklearn.utils.class_weight import compute_class_weight
import numpy as np
<p>classes = np.unique(y_train)
weights = compute_class_weight('balanced', classes=classes, y=y_train)
class_weight_dict = {int(c): float(w) for c, w in zip(classes, weights)}</p>
ClassWeights和sample_weight混用会怎样
可以共存，但逻辑不同：class_weight作用于损失函数内部（对每个类别的loss乘系数），sample_weight作用于每个样本（对单条样本的loss加权）。两者相乘生效。
容易踩的坑：
- 同时使用时，
sample_weight必须与x_train长度一致，且不能含NaN/Inf；否则报InvalidArgumentError: sample_weight contains NaN - 如果已用
class_weight平衡了类别，再对少数类样本额外设高sample_weight，可能造成过拟合——模型死记硬背那几个样本 -
class_weight在validation_data上无效，但sample_weight若传给验证集，会影响val_loss计算（通常不建议）
ClassWeights对多分类准确率指标没提升？检查这几个地方
加了class_weight后accuracy没变甚至下降，不等于没效果——因为accuracy本身在不平衡数据上不可靠。真正该看的是precision、recall、f1_score（尤其少数类）。
排查要点：
- 确认
y_train是整数编码（如[0, 1, 2]），不是one-hot；否则class_weight键对不上 - 检查模型输出层是否用
softmax+categorical_crossentropy（对应整数标签要用sparse_categorical_crossentropy）；用错损失函数会导致class_weight被忽略 - 权重是否真的生效？可在训练时打印
model.train_on_batch()返回的loss，对比加权前后同一batch的loss值变化
最常被忽略的一点：class_weights只调整梯度更新方向，不改变数据分布本身——如果少数类样本特征本身区分度低，光靠权重无法起死回生。得配合过采样或特征工程。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
