Model performansını değerlendirme

PyTorch ile Deep Learning'e Giriş

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Eğitim, doğrulama ve test

Bir veri kümesi genellikle üç alt kümeye ayrılır:

	Veri yüzdesi	Rol
Eğitim	80-90%	Model parametrelerini ayarlar
Doğrulama	10-20%	Hiperparametreleri ayarlar
Test	5-10%	Nihai model performansını değerlendirir

Eğitim ve doğrulama sırasında kayıp ve doğruluğu izleyin

Eğitim kaybının hesaplanması

Her epoch için:

Dataloader’daki tüm batch’lerin kaybını toplayın
Epoch sonunda ortalama eğitim kaybını hesaplayın

training_loss = 0.0

for inputs, labels in trainloader:
    # İleri geçişi çalıştırın
    outputs = model(inputs)
    # Kaybı hesaplayın
    loss = criterion(outputs, labels)

    # Geri yayılım
    loss.backward()  # Gradyanları hesaplayın
    optimizer.step()  # Ağırlıkları güncelleyin
    optimizer.zero_grad()  # Gradyanları sıfırlayın


    # Kaybı hesaplayıp toplayın
    training_loss += loss.item()

epoch_loss = training_loss / len(trainloader)

Doğrulama kaybının hesaplanması

validation_loss = 0.0
model.eval() # Modeli değerlendirme moduna alın


with torch.no_grad(): # Verimlilik için gradyanları devre dışı bırakın

  for inputs, labels in validationloader:
     # İleri geçişi çalıştırın
     outputs = model(inputs)
     # Kaybı hesaplayın 
     loss = criterion(outputs, labels)
     validation_loss += loss.item()

epoch_loss = validation_loss / len(validationloader) # Ortalama kaybı hesaplayın

model.train() # Yeniden eğitim moduna dönün

Aşırı uyum (overfitting)

aşırı uyum örneği

torchmetrics ile doğruluk hesabı

import torchmetrics


# Doğruluk metriğini oluşturun
metric = torchmetrics.Accuracy(task="multiclass", num_classes=3)


for features, labels in dataloader:
    outputs = model(features)  # İleri geçiş
    # Batch doğruluğunu hesaplayın (one-hot etiketler için argmax korunur)
    metric.update(outputs, labels.argmax(dim=-1))


# Tüm epoch için doğruluğu hesaplayın
accuracy = metric.compute()


# Sonraki epoch için metriği sıfırlayın
metric.reset()

Hadi pratik yapalım!

PyTorch ile Deep Learning'e Giriş