Évaluation des modèles multi-sorties et pondération des pertes

Deep learning intermédiaire avec PyTorch

Michal Oleszak

Machine Learning Engineer

Évaluation du modèle

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)

Configurer une métrique par sortie
Parcourir le loader de test et obtenir les sorties
Calculer la prédiction pour chaque sortie
Mettre à jour les métriques d’exactitude
Calculer les scores finaux d’exactitude

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

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Boucle d’entraînement multi-sorties, rappel

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()

Deux pertes : alphabet et caractères
Perte finale = somme des deux : loss = loss_alpha + loss_char
Les deux tâches de classification ont la même importance

Faire varier l’importance des tâches

La classification des caractères est 2× plus importante que celle de l’alphabet

Approche 1 : multiplier la perte la plus importante par 2
```
loss = loss_alpha + loss_char * 2
```
Approche 2 : attribuer des poids qui somment à 1
```
loss = 0.33 * loss_alpha + 0.67 * loss_char
```

Attention : pertes sur des échelles différentes

Les pertes doivent être sur la même échelle avant pondération et somme
Exemples de tâches :
- Predire le prix d’une maison -> perte MSE
- Prédire la qualité : faible, moyenne, élevée -> perte CrossEntropy
CrossEntropy est typiquement à un chiffre
La MSE peut atteindre des dizaines de milliers
Le modèle ignorerait la tâche de qualité

Solution : normaliser les deux pertes avant pondération et somme

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

Passons à la pratique !

Deep learning intermédiaire avec PyTorch