keras中sample_weight的使用

百度了好久，没有找到与sample_weight相关的博客，于是自己摸索一下。
sample_weight是keras中的fit的参数，中文文档介绍如下：

简单点的解释如下：参考https://blog.csdn.net/weixin_40755306/article/details/82290033#commentBox

sample_weight的作用就是为数据集中的数据分配不同的权重。

我的例子是要将数据集的数据分为三类，用0，1，2代表这三类，我这里想为0分配权重0.3，为1分配权重1，为2分配权重2.。
我的数据是存储在csv文件中的，我提取出标签列表，标签列表的内容是0，1，2的集合，列表名称为y_train。我用下面代码生成一个权重的列表：

sample_weights=[]
for sw in range(len(y_train)):
    if y_train[sw]==0:
            sample_weights.append(0.3)
    if y_train[sw]==1:
            sample_weights.append(1)
    if y_train[sw]==2:
            sample_weights.append(2)
sample_weights=np.array(sample_weights)

当标签为0时， sample_weights添加0.3，当标签为1时， sample_weights添加1，当标签为2时， sample_weights添加2。
这里记得不要漏了最后一行，将列表转化为numpy数组。因为sample_weight只能是numpy数组。
创建好数组之后，下一步是要在compile中添加一个参数，先看看是添加哪个参数：

这里的sample_weight_mode分为两种形式，如果你的权重形式是像我这样的，就是1D，那sample_weight_mode就设置为None。2D的形式还没试过，但如果用2D形式，那sample_weight_mode就要设置为sample_weight_mode=‘temporal’ 。

compile设置完就要设置fit了，我的模型有两个输出，但是我只想设置分类输出，我这里的分类输出层命名为’classifier’。那就在fit中添加一个参数：

sample_weight={'classifier' : sample_weights}

sample_weights是我们上面定义的数组。

这样便可简单实现对数据的加权。