tensorflow不支持class_weight='balanced'，需手动计算类别权重字典或用compute_class_weight；smote须在tf.data前完成预处理；评估应避免accuracy，改用pr-auc、recall等不平衡感知指标。
为什么 class_weight=’balanced’ 不总管用
TensorFlow 本身不直接支持 class_weight='balanced' 这种 scikit-learn 风格的快捷写法——它只认字典格式的权重映射。如果你直接传 class_weight='balanced' 给 model.fit()，会报 TypeError: unhashable type: 'dict' 或静默失效，模型根本没加权。
真正起作用的是手动计算每个类别的权重：用总样本数 × 类别频率的倒数。例如 3 类数据中，类别 0 占 80%，那它的权重应 ≈ 1 / 0.8 ≈ 1.25；类别 1 占 10%，权重 ≈ 1 / 0.1 = 10。
- 用
sklearn.utils.class_weight.compute_class_weight()最稳妥，它默认按'balanced'策略返回数组，再转成{0: w0, 1: w1, ...}字典 - 注意传给它的
y必须是一维整数标签（不是 one-hot），且需和模型输出层的类别索引对齐 - 如果用了
tf.data.Dataset，不能在fit()里传class_weight，得改用重采样或损失函数加权
用 tf.keras.losses.CategoricalCrossentropy 加权更可控
当数据已做 one-hot 编码、输出层是 softmax 时，CategoricalCrossentropy 的 sample_weight 参数比全局 class_weight 更灵活——你可以为每个样本动态指定权重，比如结合难例挖掘或代价敏感学习。
关键点是：权重必须和 batch 中样本一一对应，shape 为 (batch_size,)，且要在 tf.data.Dataset 的 map() 里提前算好。
华为云 Python SDK 查询工具。自动发现已安装 SDK 的服务包、Client类、API 方法、入参详情、类信息（__init__ 参数、属性、类型、描述），支持关键字搜索，快速定位目标 API 使用方法。
- 先用
compute_class_weight得到各类权重字典cls_w - 在
map(lambda x, y: (x, y, tf.gather(cls_w_tensor, tf.argmax(y, axis=-1))))中为每个样本查权重 - 训练时传
sample_weight_mode='temporal'仅适用于 RNN；分类任务用默认None，并在model.compile(loss=...)里设loss=loss_fn，然后fit(x, y, sample_weight=sw)
过采样 SMOTE 在 TensorFlow 流水线里怎么接
SMOTE 是 CPU 实现，不能直接塞进 tf.data.Dataset 的 map()（会破坏图执行）。常见错误是试图在 tf.function 里调用 smote.fit_resample()，结果报 OperatorNotAllowedInGraphError。
正确做法是把过采样当成预处理步骤，在构建 Dataset 前完成，且只对训练集做——验证/测试集绝不能碰。
- 用
imblearn.over_sampling.SMOTE处理原始 numpy 数组X_train, y_train，得到新数组X_train_sm, y_train_sm - 确保
y_train_sm是 int 类型一维数组，再转成 one-hot 或保持 sparse 标签，与模型输入对齐 - 如果特征含图像或高维张量，SMOTE 默认只处理二维 flat 特征，需先
X_train.reshape(X_train.shape[0], -1)，过采样完再reshape回原 shape - 别在
tf.data.Dataset.from_tensor_slices()后再想“动态 SMOTE”，那是反模式
验证时 metrics 容易被假准确率带偏
不平衡下 accuracy 几乎没意义。比如 99% 负样本的数据集，全猜负就能得 99% 准确率。但 tf.keras.metrics.Precision 和 Recall 默认按阈值 0.5 计算，而最优阈值往往远低于 0.5（尤其正样本极少时）。
- 务必加
tf.keras.metrics.AUC(curve='PR')（PR 曲线下面积），它对不平衡更鲁棒 - 用
tf.keras.metrics.SpecificityAtSensitivity或自定义 callback 在验证时扫阈值，找 F1 最大点 - 避免在
model.compile(metrics=[...])里只写'accuracy'，至少补上tf.keras.metrics.Recall(class_id=1)（假设正类是 1） - 验证集本身也要检查是否被意外重采样——有些 pipeline 会把 SMOTE 应用到整个数据集，导致验证泄露
权重设置、采样时机、评估指标这三处，任一环节错位都会让模型看似收敛实则失效。尤其是把 SMOTE 塞进 tf.data 流水线，或者用 class_weight='balanced' 想当然替代字典映射，这两类问题最常导致线上效果归零。
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！
