Evaluatie van multi-outputmodellen en loss-wegingsfactoren

Gevorderde Deep Learning met PyTorch

Michal Oleszak

Machine Learning Engineer

Model-evaluatie

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)

Meting per output instellen
Testloader itereren en outputs ophalen
Voorspelling per output berekenen
Nauwkeurigheidsmetric bijwerken
Eindaccuracies berekenen

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

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Trainingslus met meerdere outputs: herzien

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()

Twee losses: voor alfabetten en karakters
Eind-loss is de som van beide: loss = loss_alpha + loss_char
Beide classificatietaken even belangrijk

Variërende taakbelang

Karakterclassificatie 2× belangrijker dan alfabetclassificatie

Aanpak 1: schaal de belangrijkere loss met factor 2
```
loss = loss_alpha + loss_char * 2
```

Aanpak 2: geef gewichten die optellen tot 1

loss = 0.33 * loss_alpha + 0.67 * loss_char

Let op: losses op verschillende schalen

Losses moeten op dezelfde schaal staan vóór wegen en optellen
Voorbeeldtaken:
- Huisprijs voorspellen -> MSE-loss
- Kwaliteit voorspellen: laag, midden, hoog -> CrossEntropy-loss
CrossEntropy zit meestal in de enkelcijfers
MSE kan tienduizenden bereiken
Model negeert dan de kwaliteitstaak

Oplossing: normaliseer beide losses vóór wegen en optellen

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

Laten we oefenen!

Gevorderde Deep Learning met PyTorch