直接用 class_weight 参数是最简单有效的起点，但仅靠它往往不够——尤其当少数类样本极少（比如每类）
直接用 class_weight 参数是最简单有效的起点，但仅靠它往往不够——尤其当少数类样本极少（比如每类
用 tf.keras.utils.class_weight.compute_class_weight 自动生成权重
手动算反比容易出错，TensorFlow 提供了封装函数，输入标签数组就能返回每个类的权重值。注意它默认只支持一维整数标签（y_train 不能是 one-hot），且要求标签从 0 开始连续编号。
- 先确认标签格式：
np.unique(y_train)应该输出类似[0 1 2]，而不是[1 2 5]或[[1,0,0], [0,1,0]] - 调用方式：
class_weight = compute_class_weight('balanced', classes=np.unique(y_train), y=y_train)，返回的是 NumPy 数组，需转成字典：{i: w for i, w in enumerate(class_weight)} - 传给
model.fit()时，确保键名和损失函数的类别数对齐；若用sparse_categorical_crossentropy，键就是整数类索引；若用categorical_crossentropy，则需提前把标签转为 one-hot，权重字典也得按 one-hot 的维度顺序对应
在 tf.data.Dataset 中做过采样（不推荐简单复制）
用 sample_from_datasets 或 filter().repeat() 手动提升少数类比例，比在 fit 阶段加权重更可控，但容易引入重复样本导致过拟合。
Claw Code Suite (Python-Only Edition)
下载
仅使用 Python 将 Claw Code 虚拟化框架与 OpenClaw 集成，提供 184 种工具和 200 多条命令，用于安全分析和代码质量...
- 别直接
dataset.filter(lambda x, y: y == 1).repeat(5)—— 这会让同一张图反复出现，模型学到的是“这张图的噪声”，不是“这类图的特征” - 正确做法是：先按类别拆分数据集，对每个子集调用
shuffle(buffer_size=1000)，再按比例合并，例如：tf.data.experimental.sample_from_datasets([ds_minority, ds_majority], weights=[0.5, 0.5]) - 注意
sample_from_datasets的weights是采样概率，不是原始数据比例；设为[0.5, 0.5]并不等于两类样本数相等，实际取决于各子集的迭代速度，建议配合take()限长或用rejection_resample
用 FocalLoss 替代交叉熵（需自定义损失函数）
当 class_weight 效果变差（比如验证集 F1 停滞、召回率持续低于 0.3），说明模型对难分样本（常是少数类）关注不足，这时换损失函数比调权重更治本。
-
FocalLoss的核心是给错分样本加大惩罚，公式里有(1 - p_t)^γ项，γ 越大，对低置信度预测越敏感；实践中 γ 取 2.0 比较稳，α 参数可结合class_weight使用 - TensorFlow 没内置，但几行就能写：
ce = tf.keras.losses.sparse_categorical_crossentropy(y_true, y_pred)，再乘上动态权重alpha * (1 - tf.exp(-ce)) ** gamma - 注意梯度稳定性：避免
log(0)，要在y_pred上加tf.clip_by_value(..., 1e-7, 1-1e-7)；另外，FocalLoss 和class_weight不要同时用，否则权重被放大两轮，训练极易崩溃
真正棘手的情况是：少数类本身存在大量标注错误，或者不同类在特征空间严重混叠。这时候再调 class_weight 或换损失函数意义不大，得回到数据端——检查标签质量、尝试 TSNE 可视化分布、甚至引入半监督方法用未标注数据辅助区分边界。
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！
