DalšíDalší průvodce
RMSNorm a Pre-Layer Normalization
Technický
Technický PRŮVODCE
Normalizace vrstev stabilizuje trénink změnou měřítka aktivací v každém jednotlivém příkladu tak, aby měly nulovou střední hodnotu a rozptyl jednotek.
Poslechněte si tento návodAI-vyprávěný · ~2 min
It is a quiet but essential ingredient that makes deep transformers trainable.
Normalizace vrstev (LayerNorm), kterou představili Ba, Kiros a Hinton v roce 2016, řeší problém, že aktivace uvnitř hluboké sítě se mohou pohybovat do velmi odlišných měřítek, jak signály procházejí mnoha vrstvami, což zpomaluje nebo destabilizuje učení. Na rozdíl od dávkové normalizace, která normalizuje každý prvek napříč příklady v minidávce, LayerNorm normalizuje přes prvky jednoho příkladu. Díky tomu je nezávislý na velikosti dávky a je stejně použitelný při trénování a vyvozování a přirozeně pracuje se sekvencemi s proměnnou délkou, a proto se stal standardem pro transformátory napájející moderní jazykové modely. Po normalizaci použije naučitelné měřítko (gama) a posun (beta), takže síť může obnovit jakoukoli reprezentaci, kterou potřebuje.
Stabilizace každého bloku transformátoru v jazykových modelech jako GPT a BERT.
Povolení RMSNorm jako lehčí volby normalizace v modelech rodiny Llama.
Normalizace sekvenčních dat s proměnnou délkou v modelech řeči a překladu, kde se liší velikosti dávek.
Umožnění spolehlivého tréninku s velikostí dávky jedna, jako například v některých sestavách pro výuku posilování.
Normalizace se zjednodušuje pro efektivitu ve velkém měřítku. RMSNorm do značné míry nahradil LayerNorm v novějších velkých jazykových modelech, protože je levnější a funguje stejně dobře a umístění před normou je nyní výchozí pro velmi hluboké zásobníky. Výzkumníci pokračují ve zkoumání architektur bez normalizace, které místo toho používají pečlivé inicializační nebo škálovací triky, s cílem snížit režii při zachování stability tréninku, kterou normalizace poskytuje.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Normalizace vrstev stabilizuje trénink změnou měřítka aktivací v každém jednotlivém příkladu tak, aby měly nulovou střední hodnotu a rozptyl jednotek. Je to tichá, ale nezbytná složka, díky které jsou hluboké transformátory trénovatelné.
LayerNorm normalizuje rozměry prvku jednoho jednotlivého vzorku, takže je nezávislý na ostatních příkladech v dávce.
Protože jeho statistiky pocházejí z jediného příkladu, LayerNorm se chová konzistentně bez ohledu na velikost dávky a vyhovuje textovým sekvencím s proměnnou délkou.
Po normalizaci na nulový průměr a jednotkový rozptyl posunou gama měřítka a beta výsledek, takže model není nucen k pevnému rozdělení.
RMSNorm vynechává krok středního centrování a měřítko podle střední hodnoty aktivací, což je levnější a používá se v modelech jako Llama.
Jak signály procházejí mnoha vrstvami, jejich měřítko může vybuchnout nebo se zmenšit; normalizace udržuje aktivace ve stabilním rozsahu, takže gradienty se chovají dobře.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
RMSNorm a Pre-Layer Normalization
Technický