Ocena modeli wielowyjściowych i ważenie strat

Głębokie uczenie z PyTorch – poziom średnio zaawansowany

Michal Oleszak

Machine Learning Engineer

Ocena 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)

Zdefiniowanie metryki dla każdego wyjścia
Iteracja po zbiorze testowym i uzyskanie wyjść
Obliczenie predykcji dla każdego wyjścia
Aktualizacja metryk dokładności
Obliczenie końcowych wyników dokładności

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

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Pętla treningowa dla modelu wielowyjściowego

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()

Dwie straty: dla alfabetów i znaków
Łączna strata jako suma strat alfabetu i znaków: loss = loss_alpha + loss_char
Oba zadania klasyfikacji traktowane równorzędnie

Różne znaczenie zadań

Klasyfikacja znaków 2 razy ważniejsza niż klasyfikacja alfabetu

Podejście 1: Skalowanie ważniejszej straty o współczynnik 2
```
loss = loss_alpha + loss_char * 2
```
Podejście 2: Przypisanie wag sumujących się do 1
```
loss = 0.33 * loss_alpha + 0.67 * loss_char
```

Uwaga: straty na różnych skalach

Straty muszą być w tej samej skali przed ważeniem i sumowaniem
Przykładowe zadania:
- Predykcja ceny domu -> strata MSE
- Predykcja jakości: niska, średnia, wysoka -> strata CrossEntropy
CrossEntropy zazwyczaj mieści się w zakresie jednocyfrowym
Strata MSE może osiągać dziesiątki tysięcy
Model ignorowałby zadanie oceny jakości

Rozwiązanie: Normalizacja obu strat przed ważeniem i sumowaniem

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

Czas na ćwiczenia!

Głębokie uczenie z PyTorch – poziom średnio zaawansowany