Introduction

Déboguer les modèles d’apprentissage automatique est une étape cruciale pour s’assurer qu’ils fonctionnent correctement et efficacement. Dans ce guide, nous allons vous montrer comment déboguer vos modèles PyTorch de manière systématique.

Étape 1 : Imprimer la Structure du Modèle

Commencez par vérifier que votre modèle est correctement défini en imprimant sa structure :

print(model)

Cela vous permettra de confirmer que les couches de votre modèle sont bien configurées 📝.

Étape 2 : Vérifier les Formes des Données d’Entrée et de Sortie

Inspectez les formes des images d’entrée et des étiquettes de sortie :

for images, labels in train_loader: print("Forme du lot d'entrée :", images.shape) print("Forme des étiquettes du lot :", labels.shape) break

Assurez-vous que les formes correspondent à vos paramètres de lot 📊.

Étape 3 : Débogage de la Passe Avant

Effectuez une passe avant pour vérifier que le modèle produit des sorties sans erreurs :

images, labels = next(iter(train_loader)) outputs = model(images) print("Forme de la sortie :", outputs.shape)

La forme de sortie doit correspondre aux dimensions attendues de votre architecture de modèle 🔄.

Étape 4 : Détecter les Valeurs NaN et Inf

Vérifiez la présence de valeurs NaN ou infinies dans les paramètres du modèle, qui peuvent indiquer une instabilité lors de l’entraînement :

def check_nan(tensor, name): if torch.isnan(tensor).any(): print(f"Attention : NaN détecté dans {name}") if torch.isinf(tensor).any(): print(f"Attention : Inf détecté dans {name}") for param in model.parameters(): check_nan(param, "Paramètre du modèle")

Cela aide à identifier les problèmes potentiels de stabilité ⚠️.

Étape 5 : Débogage de la Boucle d’Entraînement

Mettez en place une boucle d’entraînement de débogage pour surveiller la perte et les gradients :

for epoch in range(1): for images, labels in train_loader: optimizer.zero_grad() outputs = model(images) loss = criterion(outputs, labels) loss.backward() for name, param in model.named_parameters(): if param.grad is not None: print(f"Gradient pour {name} : {param.grad.norm()}") optimizer.step() print("Perte :", loss.item()) break

Cela vous permet de détecter des problèmes tels que des gradients explosants ou évanescentes 📉.