À suivreGuide suivant
Déchargement de l'état de l'optimiseur vers le CPU et NVMe
Technique
GUIDE Technique
Lookahead et Lion Optimizers
Lookahead et Lion sont deux variantes modernes de l'optimisation des réseaux neuronaux.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Lookahead wraps any base optimizer with 'slow' and 'fast' weights for more stable progress, while Lion (EvoLved Sign Momentum) was discovered by an AI program search and updates weights using only the sign of a momentum term — making it memory-light and often faster than Adam.
Plongée profonde
Lookahead, proposé par Zhang, Hinton et ses collègues en 2019, exécute un optimiseur « rapide » standard (comme Adam ou SGD) pour k étapes, puis pousse un ensemble distinct de poids « lents » à une fraction du chemin vers l'endroit où les poids rapides se sont retrouvés. Cela amortit les oscillations et réduit la sensibilité aux hyperparamètres. Lion, publié par Google en 2023, est issu d'une recherche de programmes symboliques sur des algorithmes d'optimisation. Il suit l'élan mais applique la fonction de signe à la mise à jour, de sorte que chaque paramètre se déplace d'un pas fixe dans la direction du signe de gradient accumulé. Lion stocke uniquement le tampon d'élan (la moitié de l'état d'Adam, qui en conserve deux), utilise une perte de poids plus importante et un taux d'apprentissage plus faible, et a égalé ou battu Adam sur des modèles de vision et de langage larges tout en s'entraînant plus rapidement et à moindre coût.
Mise en œuvre dans le monde réel
Envelopper Adam avec Lookahead pour stabiliser la formation des transformateurs et réduire les efforts de réglage des hyperparamètres.
Utiliser Lion pour entraîner de grands modèles de vision (par exemple, ViT) avec une mémoire d'optimiseur inférieure à celle d'Adam.
Pré-entraîner des modèles de langage avec Lion pour obtenir une précision comparable à un coût de calcul réduit.
Combiner Lookahead avec SGD dans des agents d'apprentissage par renforcement pour faciliter les mises à jour de politiques bruyantes.
L’avenir de Lookahead et de Lion Optimizers
Lion a été adopté dans plusieurs cycles de formation à grande échelle car il réduit la mémoire de l'optimiseur et peut accélérer la convergence, et sa découverte présente la recherche automatisée d'algorithmes « AI-designing-AI » comme une véritable source de gains pratiques. Attendez-vous à davantage d'optimiseurs dérivés de la recherche, à des schémas hybrides combinant des pondérations lentes de style Lookahead avec des mises à jour basées sur les signes, et à un intérêt croissant pour les optimiseurs économes en mémoire à mesure que la taille des modèles continue de mettre à rude épreuve les budgets de mémoire GPU.
Le mettre en pratique
Pourquoi c'est important
- 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.
Attention à
- 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.
Prochaines étapes
- 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
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Lookahead and Lion Optimizers quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
What is Lookahead and Lion Optimizers?
Lookahead et Lion sont deux variantes modernes de l'optimisation des réseaux neuronaux. Lookahead enveloppe n'importe quel optimiseur de base avec des poids « lents » et « rapides » pour une progression plus stable, tandis que Lion (EvoLved Sign Momentum) a été découvert par un programme de recherche d'IA et met à jour les poids en utilisant uniquement le signe d'un terme d'élan, ce qui le rend léger en mémoire et souvent plus rapide qu'Adam.
Quelle est l'étape de calcul déterminante dans la mise à jour du poids de l'optimiseur Lion ?
Lion applique la fonction de signe à un terme d'impulsion interpolé, de sorte que chaque paramètre se déplace d'un pas uniforme dans la direction du signe du dégradé.
Comment Lookahead structure-t-il son optimisation ?
Lookahead exécute un optimiseur interne rapide pour k étapes, puis déplace les poids lents d'une fraction du chemin vers les poids et réinitialisations rapides.
Comment l’optimiseur Lion a-t-il été découvert à l’origine ?
Lion (EvoLved Sign Momentum) est né d'une procédure de recherche de programmes qui a développé et évalué des programmes d'optimisation candidats.
Par rapport à Adam, quel est l’avantage clé de Lion en matière de mémoire ?
Adam suit à la fois le premier et le deuxième instant ; Lion ne conserve qu'un seul tampon d'impulsion, ce qui réduit environ de moitié la mémoire d'état de l'optimiseur.
Pourquoi Lion nécessite-t-il généralement un taux d'apprentissage inférieur à celui d'Adam ?
Étant donné que la fonction de signe fixe l'ampleur de la mise à jour de chaque coordonnée, le pas effectif est grand, donc un taux d'apprentissage plus faible (et une diminution de poids plus importante) est utilisé.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet