直接传weight参数即可，需为与模型输出同设备的float32张量，长度等于类别数，常用1/class_count计算并归一化或log平滑，支持reduction='none'调试，注意训练集频次统计和设备一致性。
PyTorch里nn.CrossEntropyLoss怎么传入类别权重？
直接传weight参数就行，不需要手动实现加权逻辑。PyTorch内置的nn.CrossEntropyLoss支持按类别指定权重，底层会自动在计算交叉熵时对每个样本的损失乘上对应类别的权重。
关键点是：weight必须是torch.Tensor，长度等于类别数，dtype为float32，且要和模型输出同设备（CPU/GPU）。
- 先用
np.bincount()或torch.unique(..., return_counts=True)统计每个类别的样本数 - 权重通常设为
1 / class_count，再归一化（可选），或直接用倒数后做torch.tensor(..., dtype=torch.float32) - 别忘了把
weight搬到GPU上：如果模型在cuda，就得weight = weight.to('cuda')
为什么用1 / class_count而不是原始频次？
因为目标是让稀有类别的单个样本对梯度的贡献更大，而权重作用在每个样本的损失标量上。若某类只有5个样本，另一类有95个，不加权时模型很容易偏向多数类；给少数类分配更高权重，相当于“告诉损失函数：这类样本更珍贵，错分代价更高”。
但要注意：权重不是越大越好。极端如把少数类权重设成1000，会导致训练不稳定、loss爆炸、梯度异常。实践中常用以下策略之一：
-
weight[c] = total_samples / (num_classes * class_count[c])（即频率归一化的倒数） - 用
sklearn.utils.class_weight.compute_class_weight生成，再转torch.tensor - 先做log平滑：
weight[c] = log(total_samples / class_count[c])，缓解权重悬殊
加权后nn.CrossEntropyLoss还支持reduction='none'吗？
支持，而且推荐在调试或自定义聚合逻辑时这么用。开启reduction='none'后，返回的是每个样本的加权损失（shape为[N]），你可以检查是否真的按预期放大了少数类样本的loss值。
SkillSub Pro - Python 题解与代码注释双功能技能功能概述SkillSub Pro - Python 题解与代码注释双功能技能是一项面向实际任务的技能，主要用于SkillSub Pro 是一个 Python 题解生成与代码注释的 双功能合体技能 ，专为学生、算法学习者和开发者设计；✅ 一个技能，两种用途 ：；核心要点📝 题解模式 ：输入题目/题号，自动生成完整 Python 题解（含详细注释、解题思路、复杂度分析）；💬 注释模式 ：输入 Python 代码，自动添加详细中。它将相关步骤、
示例片段：
criterion = nn.CrossEntropyLoss(weight=class_weights, reduction='none') loss_per_sample = criterion(logits, targets) # shape: [batch_size] print(loss_per_sample[targets == 0]) # 看所有类别0样本的loss
常见坑：
-
weight长度和logits.shape[1]（即类别数）不一致 → 报RuntimeError: weight tensor should be defined either for all 10 classes or no classes -
weight没.to(device)，而logits在GPU上 → 报Expected all tensors to be on the same device - 训练时用了加权，但验证时忘了去掉
weight（验证阶段一般不加权，只看真实分布下的指标）
除了加权交叉熵，还有没有更稳的替代方案？
有，尤其当类别极度不平衡（比如正负样本比1:1000）时，单纯加权可能不够。可以考虑：
-
FocalLoss：在交叉熵基础上增加调制因子(1-p_t)^γ，进一步抑制易分类样本的loss贡献，PyTorch生态有现成实现（如timm.loss或pytorch-tools） - 重采样：训练时对少数类过采样（
WeightedRandomSampler）或多数类欠采样，配合普通CrossEntropyLoss - 用
nn.BCEWithLogitsLoss+ one-hot标签 + 类别权重：适合多标签或多分类细粒度控制，但需手动处理标签格式
真正难的不是写那几行weight=...，而是确认你统计的类别频次来自训练集（不是整个数据集），且验证/测试集划分后没引入偏差——这点经常被忽略。
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！
