Evaluasi model multi-output dan pembobotan loss

Deep Learning Lanjutan dengan PyTorch

Michal Oleszak

Machine Learning Engineer

Evaluasi model

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)

Siapkan metrik untuk tiap output
Iterasi loader uji dan ambil output
Hitung prediksi untuk tiap output
Perbarui metrik akurasi
Hitung skor akurasi akhir

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

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Meninjau ulang loop pelatihan multi-output

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()

Dua loss: untuk alfabet dan karakter
Loss akhir adalah jumlah loss alfabet dan karakter: loss = loss_alpha + loss_char
Kedua tugas klasifikasi dianggap sama penting

Mengubah pentingnya tugas

Klasifikasi karakter 2× lebih penting daripada klasifikasi alfabet

Pendekatan 1: Skala loss yang lebih penting dengan faktor 2
```
loss = loss_alpha + loss_char * 2
```

Pendekatan 2: Tetapkan bobot yang berjumlah 1

loss = 0.33 * loss_alpha + 0.67 * loss_char

Peringatan: loss pada skala berbeda

Loss harus pada skala yang sama sebelum dibobot dan dijumlahkan
Contoh tugas:
- Prediksi harga rumah -> loss MSE
- Prediksi kualitas: rendah, sedang, tinggi -> loss CrossEntropy
CrossEntropy biasanya satu digit
Loss MSE bisa mencapai puluhan ribu
Model akan mengabaikan tugas penilaian kualitas

Solusi: Normalisasi kedua loss sebelum pembobotan dan penjumlahan

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

Ayo berlatih!

Deep Learning Lanjutan dengan PyTorch