Vyhodnocení modelů s více výstupy a vážení ztrát

Intermediate Deep Learning with PyTorch

Michal Oleszak

Machine Learning Engineer

Vyhodnocení modelu

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)

Nastavení metriky pro každý výstup
Iterace přes testovací loader a získání výstupů
Výpočet predikce pro každý výstup
Aktualizace metrik přesnosti
Výpočet výsledných skóre přesnosti

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

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Trénovací smyčka pro více výstupů

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()

Dvě ztráty: pro abecedy a znaky
Výsledná ztráta jako součet ztrát abecedy a znaků: loss = loss_alpha + loss_char
Obě klasifikační úlohy považovány za stejně důležité

Různá důležitost úloh

Klasifikace znaků je dvakrát důležitější než klasifikace abecedy

Přístup 1: Škálování důležitější ztráty faktorem 2
```
loss = loss_alpha + loss_char * 2
```

Přístup 2: Přiřazení vah se součtem 1

loss = 0.33 * loss_alpha + 0.67 * loss_char

Pozor: ztráty na různých škálách

Ztráty musí být na stejné škále před vážením a sečtením
Příklad úloh:
- Predikce ceny domu -> ztráta MSE
- Predikce kvality: nízká, střední, vysoká -> ztráta CrossEntropy
CrossEntropy je obvykle v řádu jednotek
Ztráta MSE může dosahovat desetitisíců
Model by ignoroval úlohu hodnocení kvality

Řešení: Normalizace obou ztrát před vážením a sečtením

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

Pojďme si procvičit!

Intermediate Deep Learning with PyTorch