Wie implementiere ich Weighted Binary CrossEntropy auf theano?

Mein Faltungsneurales Netzwerk sagt nur 0 ~ ~ 1 (Sigmoid) voraus.

Ich möchte meine Vorhersagen auf diese Weise bestrafen:

rundsätzlich möchte ich MEHR bestrafen, wenn das Modell 0 vorhersagt, aber die Wahrheit 1 ist.

Frage: Wie kann ich das erstellenWeighted Binary CrossEntropy Funktion mit Theano und Lasagne?

Ich habe das unten versucht

prediction = lasagne.layers.get_output(model)


import theano.tensor as T
def weighted_crossentropy(predictions, targets):

    # Copy the tensor
    tgt = targets.copy("tgt")

    # Make it a vector
    # tgt = tgt.flatten()
    # tgt = tgt.reshape(3000)
    # tgt = tgt.dimshuffle(1,0)

    newshape = (T.shape(tgt)[0])
    tgt = T.reshape(tgt, newshape)

   #Process it so [index] < 0.5 = 0 , and [index] >= 0.5 = 1


    # Make it an integer.
    tgt = T.cast(tgt, 'int32')


    weights_per_label = theano.shared(lasagne.utils.floatX([0.2, 0.4]))

    weights = weights_per_label[tgt]  # returns a targets-shaped weight matrix
    loss = lasagne.objectives.aggregate(T.nnet.binary_crossentropy(predictions, tgt), weights=weights)

    return loss

loss_or_grads = weighted_crossentropy(prediction, self.target_var)

Aber ich erhalte diesen Fehler unten:

TypeError: Neue Form in Umformung muss ein Vektor oder eine Liste / ein Tupel von Skalar sein. Erhaltener Subtensor {int64} .0 nach Konvertierung in einen Vektor.

Referenz :https: //github.com/fchollet/keras/issues/211

Referenz :https: //groups.google.com/forum/#! topic / theano-users / R_Q4uG9BXp8