Evaluarea modelelor cu ieșiri multiple și ponderarea pierderilor

Deep Learning intermediar cu PyTorch

Michal Oleszak

Machine Learning Engineer

Evaluarea modelului

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)

Definirea metricii pentru fiecare ieșire
Iterarea pe setul de test și obținerea ieșirilor
Calcularea predicției pentru fiecare ieșire
Actualizarea metricilor de acuratețe
Calcularea scorurilor finale de acuratețe

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

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Bucla de antrenare cu ieșiri multiple — revizuire

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()

Două pierderi: pentru alfabete și caractere
Pierderea finală definită ca sumă: loss = loss_alpha + loss_char
Ambele sarcini de clasificare sunt considerate egal importante

Importanța variabilă a sarcinilor

Clasificarea caracterelor este de 2 ori mai importantă decât clasificarea alfabetului

Abordarea 1: Scalarea pierderii mai importante cu factorul 2
```
loss = loss_alpha + loss_char * 2
```

Abordarea 2: Atribuirea de ponderi cu suma 1

loss = 0.33 * loss_alpha + 0.67 * loss_char

Atenție: pierderi pe scale diferite

Pierderile trebuie să fie pe aceeași scară înainte de ponderare și însumare
Exemple de sarcini:
- Predicția prețului unei case -> pierdere MSE
- Predicția calității: scăzută, medie, ridicată -> pierdere CrossEntropy
CrossEntropy este de obicei în valori de o cifră
Pierderea MSE poate ajunge la zeci de mii
Modelul ar ignora sarcina de evaluare a calității

Soluție: Normalizarea ambelor pierderi înainte de ponderare și însumare

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

Să exersăm!

Deep Learning intermediar cu PyTorch