Оцінювання багатовихідних моделей і зважування втрат

Середній рівень Deep Learning з PyTorch

Michal Oleszak

Machine Learning Engineer

Оцінювання моделі

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)

Налаштуйте метрику для кожного виходу
Пройдіться тестовим лоудером і отримайте виходи
Обчисліть передбачення для кожного виходу
Оновіть метрики точності
Обчисліть фінальні значення точності

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

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Навчальний цикл для кількох виходів: повторення

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()

Дві втрати: для алфавітів і символів
Підсумкова втрата — сума втрат алфавіту та символу: loss = loss_alpha + loss_char
Обидві задачі класифікації однаково важливі

Зміна важливості задач

Класифікація символів у 2 рази важливіша за класифікацію алфавітів

Підхід 1: Помножте важливішу втрату на 2
```
loss = loss_alpha + loss_char * 2
```
Підхід 2: Призначте ваги, що в сумі дають 1
```
loss = 0.33 * loss_alpha + 0.67 * loss_char
```

Увага: втрати в різних шкалах

Перед зважуванням і додаванням втрати мають бути в одній шкалі
Приклади задач:
- Прогноз ціни будинку -> MSE loss
- Прогноз якості: low, medium, high -> CrossEntropy loss
CrossEntropy зазвичай у межах одиниць
MSE може сягати десятків тисяч
Модель ігноруватиме задачу оцінки якості

Рішення: нормалізуйте обидві втрати перед зважуванням і додаванням

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

Давайте потренуємось!

Середній рівень Deep Learning з PyTorch