大多数据集类别是不平衡的，可以通过调整损失函数的权重，来平衡各类别。
（1）神经网络每次训练过程中，给予不同的类别权重，选择最有的结果作为最优类别权重；但是这样花费的时间成本很高；因此可以通过如下策略进行训练：
1）首先训练不带权重的模型；
2）然后给予不同的类别权重参数，对网络进行微调，选取最优的权重参数；
（2）计算损失函数各类别权重的公式有：
假设有四类，对应类别数量为a,b,c,d
1）样本总数/(类别数量对应类别的个数)；
例如：类别a的权重为：(a+b+c+d)/(4a)
2）对应类别的个数/总类别数：
例如：类别a的权重为：（a+b+c+d）/a
3）T= 对应类别个数/类别总数 T1=1/(log(k+T))
其中k为大于一的常数，如果k小于1，那么权重可能会出现负数，常数k可以保证样本比例适中，log能够有效的控制增长率，防止差别太大时比例过大的问题。
例如：类别a对用的权重为：T = a/(a+b+c+d) T1_weight = 1/(log(k+T))
(3) 设计损失函数来解决样本不平衡和难易样本不平衡问题
1)focal loss
2）GHM（从梯度的角度解决正负样本间数量差异和easy、hard examples之间的矛盾）
