我知道人们通常使用下面的损失和错误来训练
ce = cross_entropy_with_softmax(z, label_var)
pe = classification_error(z, label_var)
trainer = Trainer(z, (ce, pe), ...)
我们可以覆盖或定义自己的损失和错误方法吗？我们真正需要的是在计算损失和误差时增加权重。例如，我们有4个类，重要的是(权重更大(不要将第一个类错误分类为其他类，反之亦然，但如果它在最后3个类中错误分类，则不那么重要(权重更小(。在cntk中处理此问题的最佳方法是什么？
是的，任何CNTK表达式都是有效的损失或错误：这里是交叉熵：
ce=C.否定(C.reduce_sum(C.element_times(目标，C.log(预测((，axis=-1((