लॉस फंक्शंस से मॉडल की भविष्यवाणियों का आकलन

PyTorch के साथ Deep Learning परिचय

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

हमें लॉस फंक्शन की ज़रूरत क्यों है?

ट्रेनिंग के दौरान बताता है कि हमारा मॉडल कितना अच्छा है
मॉडल की prediction $\hat{y}$ और ground truth $y$ लेता है
एक float आउटपुट देता है

लॉस फंक्शन डायग्राम

हमें लॉस फंक्शन की ज़रूरत क्यों है?

क्लास 0 - mammal, क्लास 1 - bird, क्लास 2 - reptile

Hair	Feathers	Eggs	Milk	Fins	Legs	Tail	Domestic	Catsize	Class
1	0	0	1	0	4	0	0	1	0

Predicted class = 0 -> सही = कम loss
Predicted class = 1 -> गलत = ज़्यादा loss
Predicted class = 2 -> गलत = ज़्यादा loss

हमारा लक्ष्य है loss को कम करना

वन-हॉट एनकोडिंग की संकल्पना

$loss = F(y, \hat{y})$
$y$ एक integer होता है (class label)
- जैसे $y=0$ जब $y$ mammal है
$\hat{y}$ एक tensor है (softmax से पहले की prediction)
- यदि N क्लास की संख्या है, जैसे N = 3
- $\hat{y}$ N dimensions वाला tensor है,
  - जैसे $\hat{y}$ = [-5.2, 4.6, 0.8]

वन-हॉट एनकोडिंग की संकल्पना

एक integer y को जीरो-वन वाले tensor में बदलें

वन-हॉट एनकोडिंग

वन-हॉट एनकोडिंग से लेबल बदलना

import torch.nn.functional as F

print(F.one_hot(torch.tensor(0), num_classes = 3))

tensor([1, 0, 0])

print(F.one_hot(torch.tensor(1), num_classes = 3))

tensor([0, 1, 0])

print(F.one_hot(torch.tensor(2), num_classes = 3))

tensor([0, 0, 1])

PyTorch में क्रॉस-एंट्रॉपी लॉस

from torch.nn import CrossEntropyLoss

scores = torch.tensor([-5.2, 4.6, 0.8])
one_hot_target = torch.tensor([1, 0, 0])


criterion = CrossEntropyLoss()

print(criterion(scores.double(), one_hot_target.double()))

tensor(9.8222, dtype=torch.float64)

सब कुछ जोड़कर देखें

लॉस फंक्शन लेता है:

scores - अंतिम softmax फंक्शन से पहले की model predictions
one_hot_target - one-hot encoded ground truth label

लॉस फंक्शन देता है:

loss - एक अकेला float

मानों सहित लॉस फंक्शन डायग्राम

अभ्यास करते हैं!

PyTorch के साथ Deep Learning परिचय