1. Apprendre
    2. /
  2. Cours
    3. /
  3. Apprentissage profond intermédiaire avec PyTorch
Connected

Exercice

Entraîner des modèles à sorties multiples

Lors de l'entraînement de modèles avec plusieurs sorties, il est essentiel de bien définir la fonction de perte.

Ici, le modèle produit deux sorties : des prédictions pour l'alphabet et pour le caractère. Pour chacune, il existe des étiquettes de vérité terrain correspondantes, ce qui vous permet de calculer deux pertes distinctes : l'une due aux mauvaises classifications d'alphabet et l'autre due aux erreurs de classification de caractère. Comme, dans les deux cas, il s'agit d'une tâche de classification à étiquettes multiples, la perte par entropie croisée (Cross-Entropy) peut être appliquée chaque fois.

Cependant, la descente de gradient ne peut optimiser qu'une seule fonction de perte. Vous définirez donc la perte totale comme la somme des pertes pour l'alphabet et pour le caractère.

Instructions

100 XP
  • Calculez la perte de classification de l'alphabet et assignez-la à loss_alpha.
  • Calculez la perte de classification du caractère et assignez-la à loss_char.
  • Calculez la perte totale comme la somme des deux pertes partielles et assignez-la à loss.