在深度学习中，样本不均衡是指不同类别的数据量差别较大，利用不均衡样本训练出来的模型泛化能力差并且容易发生过拟合。
对不平衡样本的处理手段主要分为两大类：数据层面 (简单粗暴)、算法层面 (复杂) 。
数据层面
采样（Sample）
数据重采样：上采样或者下采样
| 上采样 | 下采样 | |
|---|---|---|
| 使用情况 | 数据不足时 | 数据充足 (支撑得起你的浪费) |
| 数据集变化 | 增加 | 间接减少(量大类被截流了) |
| 具体手段 | 大量复制量少类样本 | 批处理训练时，控制从量大类取的图像数量 |
| 风险 | 过拟合 |
数据合成
数据合成方法是利用已有样本生成更多的样本。其中最常见的一种方法叫做SMOTE,它利用小众样本在特征空间的相似性来生成新样本。对于小众样本xi∈Smin,从它属于小种类的K近邻中随机选取一个样本,生成一个新的小众样本xnew:
上图是SMOTE方法在K=6近邻下的示意图，黑色圆点是生成的新样本。
算法层面
在目标函数中，增加量少类样本被错分的损失值 。
准确度这个评价指标在类别不均衡的分类任务中并不能work.
代价敏感学习算法(Cost-Sensitive Learning)
不同类型的五分类情况导致的代价是不一样的。因此定义代价矩阵，Cij表示将类别j误分类为i的代价，显然C00=C11=0.C01和C10为两种不同的误分类代价，当两者相等时为代价不敏感的学习问题。
代价敏感学习方法主要有以下的实现方式：
(1)从学习模型出发，着眼于对某一具体学习方法的改造，使之能适应不平衡数据下的学习，研究者们针对不同的学习模型如感知机，支持向量机，决策树，神经网络等分别提出了其代价敏感的版本。以代价敏感的决策树为例，可从三个方面对其进行改进以适应不平衡数据的学习，这三个方面分别是决策阈值的选择方面、分裂标准的选择方面、剪枝方面，这三个方面中都可以将代价矩阵引入。
(2)从贝叶斯风险理论出发，把代价敏感学习看成是分类结果的一种后处理，按照传统方法学习到一个模型，以实现损失最小为目标对结果进行调整，优化公式如下所示。此方法的优点在于它可以不依赖所用具体的分类器，但是缺点也很明显它要求分类器输出值为概率。
(3)从预处理的角度出发，将代价用于权重的调整，使得分类器满足代价敏感的特性。
参考：
[1] http://blog.csdn.net/jningwei/article/details/79249195
[2] https://www.jianshu.com/p/3e8b9f2764c8
[3] http://blog.csdn.net/lujiandong1/article/details/52658675