torch 对样本进行加权

在分类问题中，当遇到样本不均衡时，可以对各类别设置不同的权重，如下：

batch_size = 10
nb_classes = 2

model = nn.Linear(10, nb_classes)
weight = torch.empty(nb_classes).uniform_(0, 1)

# 初始化CrossEntropy函数时传入各个class的权重
criterion = nn.CrossEntropyLoss(weight=weight)
ce = nn.CrossEntropyLoss(ignore_index=255, weight=weight_CE)
loss = ce(inputs,outputs)

但有时候，我们不仅每个类别有权重，而且每个样本的权重也不相同。这时候需要更精细的控制了，可通过两步来达到此目的：

1. 在初始化函数时设置 reduction=‘none’, 此时loss函数返回的是一个array，表示各个sample的loss；reduction默认设置为mean，表示loss函数会默认对所有样本的loss取平均，返回一个标量；
2. 手动加权，得到各个样本的loss array后，我们可以对每个loss赋予（乘以）相应的权重，这时即达到了对不同样本赋予不同权重的目的。

batch_size = 10
nb_classes = 2

model = nn.Linear(10, nb_classes)
weight = torch.empty(nb_classes).uniform_(0, 1)
# 初始化CrossEntropy函数时传入各个class的权重, 
# 且设置reduction为None表示不进行聚合，返回一个loss数组
criterion = nn.CrossEntropyLoss(weight=weight, reduction='none')

# This would be returned from your DataLoader
x = torch.randn(batch_size, 10)
target = torch.empty(batch_size, dtype=torch.long).random_(nb_classes)
sample_weight = torch.empty(batch_size).uniform_(0, 1)

output = model(x)
loss = criterion(output, target)
# 各个样本乘以其权重，然后求均值
loss = loss * sample_weight
loss.mean().backward()

此外，还可以对每个样本的loss进行归一化，使得所有batch的loss大小范围较为相近:

loss =(loss * sample_weight / sample_weight.sum()).sum()

此步非必须，因为我们给定各个样本不同权重其实就是要使得各个样本的loss有区别的。