Doğrulama ve test ekleme

PyTorch Lightning ile Ölçeklenebilir AI Modelleri

Sergiy Tkachuk

Director, GenAI Productivity

Neden doğrulama ve test eklenmeli?

Doğrulama
- Model sorunlarını erken belirleyin
- Aşırı/az öğrenmeyi önleyin
Test
- Görülmemiş veride performans

Doğrulama ve test diyagramı

Doğrulamanın uygulanması

Her epoch sonunda performansı değerlendirin
Daha dengeli görünüm için metrikleri birleştirin

def validation_step(self, batch, batch_idx):
  x, y = batch
  preds = self(x)
  loss = F.cross_entropy(preds, y)
  self.log('val_loss', loss)


def validation_epoch_end(self, outputs):
  avg_loss = torch.stack([x['loss'] for x in outputs]).mean()
  self.log('avg_val_loss', avg_loss)

Testin uygulanması

Görülmemiş veride nihai performansı değerlendirin
Gerçek dünya etkinliğini karşılaştırın
Dağıtıma yönelik metrikler sağlayın

def test_step(self, batch, batch_idx):
  x, y = batch
  y_hat = self(x)
  loss = F.cross_entropy(y_hat, y)
  self.log('test_loss', loss)


def test_epoch_end(self, outputs):
  avg_loss = torch.stack([x['loss'] for x in outputs]).mean()
  self.log('avg_test_loss', avg_loss)

Torchmetrics ile değerlendirme

Doğruluk gibi metrikleri izleyin
Lightning iş akışına kolayca entegre edin
Doğruluğu başlatın
Her doğrulama adımında doğruluk hesaplayın

from torchmetrics import Accuracy

class BaseModel(pl.LightningModule):
    def __init__(self):
        super().__init__()
        self.accuracy = Accuracy()


    def validation_step(self, batch, batch_idx):
        x, y = batch
        preds = self(x)
        acc = self.accuracy(preds, y)
        self.log('val_acc', acc)

DataModule, doğrulama ve testi bağlama

Veri mantığı DataModule'de merkezileştirilir
Tutarlı train/val/test bölmeleri
Doğrulama metrikleri otomatik kaydedilir
Hazırlıktan raporlamaya tekrarlanabilir süreç

DataModule, doğrulama ve test diyagramı

Hadi pratik yapalım!

PyTorch Lightning ile Ölçeklenebilir AI Modelleri