Normalisation des couches
La normalisation des couches stabilise l'entraînement en redimensionnant les activations dans chaque exemple individuel afin qu'elles aient une moyenne et une variance unitaire nulles.
Aperçu
It is a quiet but essential ingredient that makes deep transformers trainable.
Plongée profonde
Introduite par Ba, Kiros et Hinton en 2016, la normalisation des couches (LayerNorm) résout le problème selon lequel les activations au sein d'un réseau profond peuvent dériver vers des échelles très différentes lorsque les signaux traversent de nombreuses couches, ralentissant ou déstabilisant l'apprentissage. Contrairement à la normalisation par lots, qui normalise chaque fonctionnalité dans les exemples dans un mini-lot, LayerNorm normalise les fonctionnalités d'un seul exemple. Cela le rend indépendant de la taille du lot et également utilisable pour la formation et l'inférence, et il fonctionne naturellement avec des séquences de longueur variable, c'est pourquoi il est devenu la norme pour les transformateurs alimentant les modèles de langage moderne. Après la normalisation, il applique une échelle (gamma) et un décalage (bêta) apprenables afin que le réseau puisse récupérer toute représentation dont il a besoin.
Aperçu technique
Pour un vecteur de caractéristiques x, LayerNorm calcule la moyenne et la variance sur les éléments de ce vecteur, puis génère gamma * (x - moyenne) / sqrt(variance + epsilon) + bêta. Les statistiques provenant d'un seul échantillon, le comportement est identique que le lot contienne 1 ou 1 000 exemples. Une variante plus simple, RMSNorm, ignore la soustraction moyenne et divise uniquement par la moyenne quadratique, économisant ainsi le calcul ; il est utilisé dans des modèles comme Llama. Le placement est également important : la « pré-norme » (normalisation avant chaque sous-couche) rend les transformateurs profonds beaucoup plus faciles à entraîner que la « post-norme ».
Impact stratégique
Coût et budget
Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années.
Décisions plus claires
La formation technique aide les équipes à choisir la bonne pile, pas seulement la plus récente.
Contrôle qualité
De meilleurs choix d’ingénierie réduisent les incidents de fiabilité en production.
L'avenir de la normalisation des couches
La normalisation est rationalisée pour une efficacité à grande échelle. RMSNorm a largement remplacé LayerNorm dans les nouveaux modèles de langage volumineux, car il est moins cher et fonctionne tout aussi bien, et le placement pré-norme est désormais la valeur par défaut pour les piles très profondes. Les chercheurs continuent d’explorer des architectures sans normalisation qui utilisent plutôt des astuces d’initialisation ou de mise à l’échelle minutieuses, dans le but de réduire les frais généraux tout en conservant la stabilité de formation fournie par la normalisation.
Mise en œuvre dans le monde réel
Stabiliser chaque bloc de transformateur dans des modèles de langage tels que GPT et BERT.
Activation de RMSNorm comme choix de normalisation plus léger dans les modèles de la famille Llama.
Normalisation des données de séquence de longueur variable dans les modèles de parole et de traduction où la taille des lots diffère.
Permettre une formation fiable avec une taille de lot d'un, comme dans certaines configurations d'apprentissage par renforcement.
Risques et garde-fous
L’optimisation d’un benchmark peut masquer des faiblesses plus larges du système.
Les coûts d’infrastructure et de maintenance sont souvent sous-estimés.
Les lacunes en matière de sécurité et d’observabilité peuvent se creuser à mesure que les systèmes deviennent plus complexes.
Feuille de route de mise en œuvre
Définissez les objectifs de latence, de qualité et de coût avant la mise en œuvre.
Benchmark dans des conditions de charge et de données réalistes.
Surveillance des instruments pour détecter les erreurs, la dérive et l'impact sur l'utilisateur.
Préparez les chemins de restauration et de réponse aux incidents avant la mise à l’échelle.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Layer Normalization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
RMSNorm et normalisation de pré-couche
Questions fréquemment posées
What is Layer Normalization?
La normalisation des couches stabilise l'entraînement en redimensionnant les activations dans chaque exemple individuel afin qu'elles aient une moyenne et une variance unitaire nulles. C’est un ingrédient silencieux mais essentiel qui permet d’entraîner les transformateurs profonds.
Sur quoi la normalisation des couches calcule-t-elle sa moyenne et sa variance ?
LayerNorm normalise les dimensions des caractéristiques d'un échantillon individuel, le rendant indépendant des autres exemples du lot.
Pourquoi la normalisation par couches est-elle préférée à la normalisation par lots dans les transformateurs ?
Étant donné que ses statistiques proviennent d'un seul exemple, LayerNorm se comporte de manière cohérente quelle que soit la taille du lot et s'adapte aux séquences de texte de longueur variable.
Que permettent les paramètres apprenables gamma et bêta à LayerNorm ?
Après avoir normalisé la moyenne à zéro et la variance unitaire, les échelles gamma et bêta décalent le résultat afin que le modèle ne soit pas forcé dans une distribution fixe.
En quoi RMSNorm diffère-t-il du LayerNorm standard ?
RMSNorm omet l'étape de centrage moyen et évolue en fonction de la moyenne quadratique des activations, ce qui est moins cher et utilisé dans des modèles comme Llama.
Quel problème la normalisation des couches aide-t-elle principalement à résoudre dans les réseaux profonds ?
À mesure que les signaux traversent de nombreuses couches, leur échelle peut exploser ou diminuer ; la normalisation maintient les activations dans une plage stable afin que les gradients se comportent bien.