Çok çıkışlı modellerin değerlendirilmesi ve kayıp ağırlığı

PyTorch ile Orta Düzey Deep Learning

Michal Oleszak

Machine Learning Engineer

Model değerlendirme

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)

Her çıktı için metrik kurun
Test yükleyicisinde dönün ve çıktıları alın
Her çıkış için tahmin hesaplayın
Doğruluk metriklerini güncelleyin
Son doğruluk puanlarını hesaplayın

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

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Çok çıkışlı eğitim döngüsüne yeniden bakış

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()

İki kayıp: alfabeler ve karakterler için
Nihai kayıp, alfabet ve karakter kayıplarının toplamıdır: loss = loss_alpha + loss_char
Her iki sınıflandırma görevi eşit önemde kabul edilir

Görev önemini değiştirme

Karakter sınıflandırma, alfabet sınıflandırmadan 2 kat daha önemli

Yaklaşım 1: Daha önemli kaybı 2 ile çarpın
```
loss = loss_alpha + loss_char * 2
```
Yaklaşım 2: Toplamı 1 olan ağırlıklar verin
```
loss = 0.33 * loss_alpha + 0.67 * loss_char
```

Uyarı: farklı ölçeklerde kayıplar

Ağırlıklandırıp toplamadan önce kayıplar aynı ölçekte olmalıdır
Örnek görevler:
- Ev fiyatı tahmini -> MSE kaybı
- Kalite tahmini: düşük, orta, yüksek -> CrossEntropy kaybı
CrossEntropy genellikle tek hanelidir
MSE kaybı on binlere çıkabilir
Model kalite görevini yok sayar

Çözüm: Ağırlıklandırmadan ve toplamadan önce her iki kaybı da normalleştirin

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

Haydi pratik yapalım!

PyTorch ile Orta Düzey Deep Learning