Avaliação de modelos multi-saída e ponderação de loss

Aprendizagem profunda intermediária com PyTorch

Michal Oleszak

Machine Learning Engineer

Avaliação do modelo

acc_alpha = Accuracy(
    task="multiclass", num_classes=30
)
acc_char = Accuracy(
    task="multiclass", num_classes=964
)


net.eval()
with torch.no_grad():
    for images, labels_alpha, labels_char \
    in dataloader_test:
        out_alpha, out_char = net(images)

        _, pred_alpha = torch.max(out_alpha, 1)
        _, pred_char = torch.max(out_char, 1)

        acc_alpha(pred_alpha, labels_alpha)
        acc_char(pred_char, labels_char)

Defina a métrica para cada saída
Itere no test loader e obtenha as saídas
Calcule a predição de cada saída
Atualize as métricas de acurácia
Calcule as acurácias finais

print(f"Alphabet: {acc_alpha.compute()}")
print(f"Character: {acc_char.compute()}")

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Revisão do loop de treino multi-saída

for epoch in range(10):
    for images, labels_alpha, labels_char \
    in dataloader_train:
        optimizer.zero_grad()
        outputs_alpha, outputs_char = net(images)
        loss_alpha = criterion(
          outputs_alpha, labels_alpha
        )
        loss_char = criterion(
          outputs_char, labels_char
        )
        loss = loss_alpha + loss_char
        loss.backward()
        optimizer.step()

Duas losses: para alfabetos e caracteres
Loss final é a soma das duas: loss = loss_alpha + loss_char
As duas tarefas de classificação têm igual importância

Variando a importância das tarefas

Classificar caracteres é 2x mais importante que classificar alfabetos

Abordagem 1: multiplicar a loss mais importante por 2
```
loss = loss_alpha + loss_char * 2
```

Abordagem 2: usar pesos que somem 1

loss = 0.33 * loss_alpha + 0.67 * loss_char

Atenção: losses em escalas diferentes

As losses devem estar na mesma escala antes de ponderar e somar
Tarefas de exemplo:
- Prever preço da casa -> MSE loss
- Prever qualidade: baixa, média, alta -> CrossEntropy loss
CrossEntropy costuma ficar em dígitos simples
MSE pode chegar a dezenas de milhares
O modelo ignoraria a tarefa de qualidade

Solução: normalize ambas as losses antes de ponderar e somar

loss_price = loss_price / torch.max(loss_price)
loss_quality = loss_quality / torch.max(loss_quality)
loss = 0.7 * loss_price + 0.3 * loss_quality

Vamos praticar!

Aprendizagem profunda intermediária com PyTorch