Aperçu
Le dropout est une astuce de régularisation qui désactive de manière aléatoire une fraction de neurones à chaque étape d'entraînement, obligeant le réseau à construire des représentations redondantes et robustes. C’est devenu l’une des techniques les plus influentes pour lutter contre le surapprentissage dans le deep learning.
L'abandon et la régularisation stochastique font partie de la boîte à outils principale de l'IA. Lorsque vous le comprenez, d’autres sujets liés à l’IA deviennent plus faciles à évaluer et à comparer.
Plongée profonde
Introduit par le groupe de Hinton vers 2012, le décrochage répond à une faiblesse majeure des grands réseaux : les neurones peuvent s'adapter, apprenant à corriger les erreurs de chacun d'une manière qui ne fonctionne que sur les données d'entraînement. À chaque passage vers l'avant pendant l'entraînement, l'abandon règle aléatoirement la sortie de chaque neurone à zéro avec une certaine probabilité p (souvent 0,5 dans les couches denses). Parce que n’importe quel neurone peut disparaître, le réseau ne peut pas s’appuyer sur des partenariats fragiles et doit diffuser des informations utiles entre de nombreuses unités. Cela revient à entraîner un vaste ensemble de réseaux amincis partageant des poids. Au moment du test, l'abandon est désactivé et l'ensemble du réseau est utilisé, avec des activations mises à l'échelle afin que le résultat attendu corresponde à la formation. Le résultat est généralement une meilleure généralisation au prix d’une formation légèrement plus longue.
Aperçu technique
Pendant la formation, chaque unité est conservée avec probabilité (1 moins p) via un masque binaire aléatoire, de sorte que différents sous-réseaux sont échantillonnés à chaque lot. Les frameworks modernes utilisent un abandon inversé : les activations survivantes sont divisées par (1 moins p) au moment du train, donc aucune mise à l'échelle n'est nécessaire lors de l'inférence. Ce caractère aléatoire injecte du bruit qui décourage la co-adaptation et se rapproche de la moyenne sur un nombre exponentiel de sous-réseaux à poids partagé, une forme bon marché d'assemblage.
Maîtriser le décrochage et la régularisation stochastique
Le dropout est une astuce de régularisation qui désactive de manière aléatoire une fraction de neurones à chaque étape d'entraînement, obligeant le réseau à construire des représentations redondantes et robustes. C’est devenu l’une des techniques les plus influentes pour lutter contre le surapprentissage dans le deep learning. L'abandon et la régularisation stochastique font partie de la boîte à outils principale de l'IA. Lorsque vous le comprenez, d’autres sujets liés à l’IA deviennent plus faciles à évaluer et à comparer. Pour acquérir une compréhension approfondie, traitez l'abandon et la régularisation stochastique comme un modèle opérationnel et non comme une fonctionnalité unique : définissez les résultats souhaités, clarifiez les hypothèses et séparez ce que le système peut faire de manière fiable de ce qui nécessite encore un jugement d'expert.
En pratique, des équipes solides utilisant Dropout et la régularisation stochastique construisent d'abord des modèles conceptuels solides, puis mappent ces modèles aux contraintes de production réelles. Ils documentent des critères de réussite explicites, testent par rapport à des données et des flux de travail réalistes et itèrent en fonction des modèles d'échec observés plutôt que des victoires de référence ponctuelles. C’est là que la compréhension théorique se transforme en capacité durable au niveau des produits, des politiques et des opérations.
Il vous aide à séparer les affirmations techniques claires du langage marketing. Dans le même temps, différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début. L'approche la plus résiliente consiste à combiner vitesse d'expérimentation et discipline de gouvernance : exécuter des projets pilotes, capturer des preuves, publier des journaux de décision et mettre à jour en permanence les protections à mesure que le comportement du modèle, les attentes des utilisateurs et les exigences réglementaires évoluent.
Impact stratégique
Il vous aide à séparer les affirmations techniques claires du langage marketing.
Il vous aide à séparer les affirmations techniques claires du langage marketing. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage. Dans les déploiements de haute qualité, cela se traduit par des règles de fonctionnement mesurables, des limites de propriété et des rituels d'examen récurrents afin que les équipes puissent accroître la confiance au lieu de l'ambiguïté.
Mise en œuvre dans le monde réel
Ajout d'un calque Dropout avec p autour de 0,5 entre les calques denses d'un classificateur d'image ou de texte dans PyTorch ou Keras
Modèles de transformateur appliquant l'abandon aux poids d'attention et aux activations anticipées pendant le pré-entraînement
Abandon de Monte Carlo, où l'abandon reste activé lors de l'inférence pour produire des estimations d'incertitude pour les prédictions médicales ou critiques pour la sécurité
Profondeur stochastique (DropPath) sautant aléatoirement les blocs résiduels pour régulariser les réseaux très profonds comme les ResNets et les transformateurs de vision
Modèles de mise en œuvre
Abandon et régularisation stochastique en pratique
Ajout d'un calque Dropout avec p autour de 0,5 entre les couches denses d'un classificateur d'image ou de texte dans PyTorch ou Keras.
L'ajout d'une couche Dropout avec p environ 0,5 entre les couches denses d'un classificateur d'image ou de texte dans les équipes PyTorch ou Keras obtient généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humaine pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Abandon et régularisation stochastique en pratique
Modèles de transformateur appliquant l'abandon aux poids d'attention et aux activations anticipées pendant le pré-entraînement.
Les modèles de transformateur appliquant l'abandon aux pondérations d'attention et aux activations de rétroaction pendant la pré-formation. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humaine pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Abandon et régularisation stochastique en pratique
Abandon de Monte Carlo, où l'abandon reste activé lors de l'inférence pour produire des estimations d'incertitude pour les prédictions médicales ou critiques pour la sécurité.
Abandon de Monte Carlo, où l'abandon reste actif lors de l'inférence pour produire des estimations d'incertitude pour les prédictions médicales ou critiques pour la sécurité. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, maintiennent un chemin d'escalade humaine pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Abandon et régularisation stochastique en pratique
Profondeur stochastique (DropPath) sautant aléatoirement les blocs résiduels pour régulariser les réseaux très profonds comme les ResNets et les transformateurs de vision.
Profondeur stochastique (DropPath) sautant aléatoirement les blocs résiduels pour régulariser les réseaux très profonds comme les ResNets et les transformateurs de vision. Les équipes obtiennent généralement de meilleurs résultats lorsqu'elles définissent des seuils de qualité à l'avance, gardent un chemin d'escalade humain pour les cas extrêmes et suivent à la fois les gains de productivité et les coûts d'erreur au fil du temps.
Risques et garde-fous
Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Feuille de route de mise en œuvre
Commencez par une définition en langage simple du résultat dont vous avez besoin.
Commencez par une définition en langage simple du résultat dont vous avez besoin. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Choisissez une mesure de réussite et une condition d’échec avant de tester.
Choisissez une mesure de réussite et une condition d’échec avant de tester. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.
Documentez où l'abandon et la régularisation stochastique sont utiles et où les méthodes plus simples sont meilleures.
Documentez où l'abandon et la régularisation stochastique sont utiles et où les méthodes plus simples sont meilleures. Traitez chaque étape comme une porte de preuves : si les critères ne sont pas remplis, suspendez le déploiement, comblez l'écart, puis étendez l'utilisation.