在训练集中类别不平衡的情况下，可对不同类别赋予不同的权重。有采用固定权重，也有实时计算权重。
在这里，介绍一种自适应权重的计算方法，参考论文《ENet: A Deep Neural Network Architecture for Real-time Semantic Segmentation》。
对类别的权重定义如下：
其中，c是一个超参数，设为1.02，
是该类样本所占的比例。最后，将
限制在[1.0,50]的范围内。
本人实验中，在类别不平衡的情况下（达到了30:1），在一个batch内，采用上述公式计算类别权重，与固定权重相比，最终的F1从百分之九十五点几上升到百分之九十六点几。
用pytorch接口
loss = F.cross_entropy(logits,gt,weight=weight)
其中，weight为上述公式计算出来的权重。
（PS：以此记录，便于查阅）