深度学习中，是否应该打破正负样本1:1的迷信思想？

Q: 深度学习中，是否应该打破正负样本1:1的迷信思想？

A: 正负样本1:1背后是让Loss收敛的目标，是一个形象的说法：1 + （-1）=0或者x * 1/x = 1，认为在Loss的表示下，对一定数量的正（负）样本，可以找到另外的成关系数量的负（正）样本，使得在Loss作用下得到一个“单位元”（或者说“零元”/“收敛因子”），因此要让Loss收敛就需要查找正负样本隐含的数量关系，而1:1是对很多简单分类问题很常见的数量关系而已。  题主说正负样本有极不均衡的场景，但又谋求让自己的拟合符合1:1样本数量的规则，有没有可能对正负关系的切入角度不够合理，可以在最开始的数据表示方面多想想，看看换一种样本的度量方式行不行。