Оценка моделей с несколькими выходами и взвешивание функций потерь

Глубокое обучение на PyTorch: средний уровень

Michal Oleszak

Machine Learning Engineer

Оценка модели

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)

Метрика для каждого выхода
Итерация по тестовому загрузчику и получение выходов
Вычисление предсказания для каждого выхода
Обновление метрик точности
Вычисление итоговых значений точности

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

Alphabet: 0.3166305720806122
Character: 0.24064336717128754

Цикл обучения модели с несколькими выходами: повторение

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()

Две функции потерь: для алфавитов и символов
Итоговая потеря — сумма потерь по алфавиту и символам: loss = loss_alpha + loss_char
Обе задачи классификации считаются равнозначными

Разная важность задач

Классификация символов в 2 раза важнее классификации алфавитов

Подход 1: умножить более важную потерю на 2
```
loss = loss_alpha + loss_char * 2
```
Подход 2: назначить веса с суммой 1
```
loss = 0.33 * loss_alpha + 0.67 * loss_char
```

Осторожно: потери на разных масштабах

Перед взвешиванием и суммированием потери должны быть на одном масштабе
Пример задач:
- Предсказание цены дома → потеря MSE
- Предсказание качества: низкое, среднее, высокое → потеря CrossEntropy
CrossEntropy обычно имеет однозначные значения
Потеря MSE может достигать десятков тысяч
Модель будет игнорировать задачу оценки качества

Решение: нормализовать обе потери перед взвешиванием и суммированием

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 потренируемся!

Глубокое обучение на PyTorch: средний уровень