तकनीकी गाइड
अनुक्रम मॉडल में शिक्षक को बाध्य करना
शिक्षक बल मॉडल को प्रशिक्षित करने का मानक तरीका है जो एक समय में एक टोकन अनुक्रम उत्पन्न करता है: प्रशिक्षण के दौरान, मॉडल को अपने अनुमान के बजाय सही पिछला टोकन खिलाया जाता है।
इस गाइड को सुनेंएआई-नैरेटेड · ~7 min
इस पृष्ठ पर8 मिनट पढ़ें
सिंहावलोकन
1989 में विलियम्स और जिप्सर द्वारा नामित, यह प्रशिक्षण को तेज़ और स्थिर बनाता है और ट्रांसफॉर्मर्स को समानांतर में पूरे अनुक्रमों पर प्रशिक्षित करने देता है, लेकिन यह प्रशिक्षण और पीढ़ी के बीच एक अंतर पैदा करता है जिसका शोधकर्ता अभी भी अध्ययन करते हैं।
चाबी छीन लेना
- अनुक्रम मॉडल को प्रशिक्षित करते समय शिक्षक जबरदस्ती पिछले वास्तविक टोकन को फीड करता है, न कि मॉडल की अपनी भविष्यवाणी को।
- विलियम्स और जिप्सर ने 1989 में आवर्ती नेटवर्क लर्निंग पर न्यूरल कंप्यूटेशन पेपर में इस तकनीक का नाम दिया।
- शिक्षक फ़ोर्सिंग से ट्रांसफ़ॉर्मर डिकोडर एक स्थानांतरित इनपुट और एक कारण मास्क का उपयोग करके समानांतर में सभी टोकन भविष्यवाणियों की गणना करने देता है।
- वास्तविक उपसर्गों पर प्रशिक्षण और मॉडल के स्वयं के आउटपुट से उत्पन्न होने के बीच के अंतर को आमतौर पर एक्सपोज़र पूर्वाग्रह कहा जाता है।
- प्रशिक्षण के दौरान धीरे-धीरे वास्तविक टोकन को मॉडल नमूनों से प्रतिस्थापित करके अनुसूचित नमूने ने MSCOCO कैप्शनिंग BLEU-4 को 28.8 से बढ़ाकर 30.6 कर दिया।
गहरा गोता
Many AI systems produce output as a sequence: words in a translation, characters in a transcript, tokens in a chatbot reply. These autoregressive models generate one element at a time, and each new element depends on the ones already produced. Training such a model raises a simple question: when it is learning to predict the next token, what should it see as the previous tokens, the correct ones from the training data or the ones it would have produced itself? Teacher forcing is the answer almost everyone uses: feed the correct ones.
The term comes from Ronald Williams and David Zipser's 1989 paper 'A Learning Algorithm for Continually Running Fully Recurrent Neural Networks' in the journal Neural Computation. Describing a variant of their real-time recurrent learning algorithm, they wrote about replacing a unit's actual output with the teacher signal, the desired value, in later computation whenever such a value exists, and named this technique teacher forcing. They reported that on oscillation tasks only the teacher-forced version could solve the problems in general, because supplying the desired values helps control the network's state for the steps that follow.
Here is the mechanism in a translation example. Suppose the target sentence is 'the cat sat'. The decoder starts with a start-of-sentence symbol and must predict 'the'. Under teacher forcing, whatever it actually predicted, the next input is the true word 'the', and it must predict 'cat'. Then the true 'cat' is fed in, and it predicts 'sat'. At each position the loss compares the predicted probability distribution with the true next word, usually with cross-entropy, which rewards giving high probability to the correct token. Summed over positions, this is exactly maximum likelihood training of the sequence: the probability of a sentence factors into the product of each token's probability given the true tokens before it.
The benefits are concrete. Errors do not snowball during training, because one bad prediction never pollutes the inputs for later steps, so gradients carry clear signal and training converges faster, as the PyTorch translation tutorial notes. Teacher forcing also enables parallelism. In the Transformer, introduced in 'Attention Is All You Need' in June 2017, the decoder's inputs are the target sequence shifted right by one position, and a mask stops each position from attending to later ones. Because all the true previous tokens are known in advance, every position's prediction can be computed in one pass instead of one step at a time. This is a large part of why Transformers trained so efficiently; the paper reports 41.8 BLEU on WMT 2014 English-to-French after 3.5 days on eight GPUs. Modern language model pretraining is this same objective at scale.
The cost is a mismatch, often called exposure bias. At inference there is no teacher, so the model conditions on its own outputs, a distribution of prefixes it never saw during training. Samy Bengio and colleagues at Google described the problem in 2015: a mistake early in generation can put the model in a state rarely seen in training, and errors can accumulate. The PyTorch tutorial puts the symptom plainly: a teacher-forced network may show instability when run freely, and can produce grammatical output that drifts from the correct translation.
Several remedies followed. Scheduled sampling, by Bengio, Oriol Vinyals, Navdeep Jaitly and Noam Shazeer (June 2015), flips a coin at each step during training to use either the true token or the model's own sample, and gradually shifts the odds from mostly true to mostly sampled with a linear, exponential or inverse sigmoid schedule. On MSCOCO image captioning, their Table 1 reports BLEU-4 rising from 28.8 for the baseline to 30.6 with scheduled sampling, while always feeding the model's own samples collapsed to 11.2. Sequence-level training by Marc'Aurelio Ranzato and colleagues (ICLR 2016) instead optimized the evaluation metric, such as BLEU, over whole generated sequences using reinforcement learning, mixed with teacher-forced training. Professor Forcing, by Alex Lamb, Anirudh Goyal and colleagues at NIPS 2016, used an adversarial discriminator to make the network's hidden-state dynamics look the same with and without teacher forcing.
The practical picture is mixed. Scheduled sampling's coin flips make each step depend on earlier sampled outputs, which removes the Transformer's parallel training advantage, and sequence-level reinforcement learning is noisier and costlier than maximum likelihood. As a result, plain teacher forcing remains the default for pretraining, with other methods layered on afterward, such as decoding strategies at inference or reinforcement learning fine-tuning. Research has also questioned the usual story. In 'The pitfalls of next-token prediction' (ICML 2024), Gregor Bachmann and Vaishnavh Nagarajan argue that compounding errors at inference are not the only problem: on certain planning tasks, teacher forcing can fail to learn an accurate next-token predictor at all, and they report that both Transformer and Mamba models fail on a minimal task of this kind.
In cost terms, teacher forcing is the cheap option. It requires only the training sequences themselves, one forward pass per sequence on parallel architectures, and a standard cross-entropy loss. Alternatives that expose the model to its own outputs require sequential sampling during training and often extra components, such as a reward model or a discriminator.
04काम किया उदाहरण
एक खिलौना कार्य पर शिक्षक-मजबूर और मुक्त-चलने वाले डिकोडिंग की तुलना करना
PyTorch में एक छोटा वर्ण-स्तरीय आवर्ती मॉडल बनाएं जो 'हैलो' जैसी छोटी स्ट्रिंग्स को कॉपी करना सीखता है, जिसके बाद एक अंतिम प्रतीक होता है।
इसे शिक्षक बल के साथ प्रशिक्षित करें: प्रत्येक चरण पर, वास्तविक पिछले चरित्र को खिलाएं और सच्चे अगले चरित्र के विरुद्ध क्रॉस-एन्ट्रॉपी की गणना करें।
प्रशिक्षण के बाद, इसे निःशुल्क चलाएँ: प्रारंभ प्रतीक से शुरू करें और प्रत्येक चरण में मॉडल के अपने सबसे संभावित चरित्र को फ़ीड करें।
स्ट्रिंग्स के आयोजित-आउट सेट पर दोनों मोड में प्रति-वर्ण सटीकता रिकॉर्ड करें, जिसमें प्रशिक्षण में देखी गई किसी भी तुलना में कुछ लंबी अवधि भी शामिल है।
एक निर्धारित-नमूना नियम के साथ पुनः प्रशिक्षित करें जो प्रशिक्षण के बाद बढ़ने वाली संभावना के साथ मॉडल की भविष्यवाणी के साथ वास्तविक चरित्र को प्रतिस्थापित करता है।
दोनों मॉडलों के लिए फ्री-रनिंग सटीकता की तुलना करें, विशेष रूप से लंबी स्ट्रिंग्स पर जहां शुरुआती गलतियों को सुधारने के लिए अधिक चरण होते हैं।
यह क्या दिखाता है
वास्तविक उपसर्ग दिए जाने पर शिक्षार्थी शिक्षक-मजबूर मॉडल के लिए लगभग पूर्ण सटीकता देखता है, और जब यह अपने आउटपुट पर चलता है, खासकर लंबी स्ट्रिंग पर, तो कम स्कोर देखता है। तुलना सीधे तौर पर एक्सपोज़र पूर्वाग्रह दिखाती है और क्या निर्धारित नमूनाकरण इस कार्य पर अंतर को कम करता है।
वास्तविक विश्व कार्यान्वयन
बड़े भाषा मॉडलों को शिक्षक के दबाव के साथ अगली-टोकन भविष्यवाणी द्वारा पूर्व-प्रशिक्षित किया जाता है, प्रशिक्षण सेटअप जो ट्रांसफार्मर और माम्बा मॉडल में अगली-टोकन भविष्यवाणी के विश्लेषण के नुकसान पर बैचमैन और नागराजन के 2024 पेपर में होता है।
PyTorch अनुक्रम-से-अनुक्रम अनुवाद ट्यूटोरियल अपने डिकोडर में शिक्षक बल का उपयोग करता है, यह देखते हुए कि यह अभिसरण को गति देता है लेकिन अपने स्वयं के आउटपुट पर चलने पर प्रशिक्षित नेटवर्क को अस्थिर बना सकता है।
Google शोधकर्ताओं ने उस प्रणाली में अनुसूचित नमूनाकरण का उपयोग किया, जो शिक्षक के दबाव से धीरे-धीरे दूर जा रहा है, जो 2015 MSCOCO छवि कैप्शनिंग चुनौती में पहले स्थान पर था।
मूल 2017 ट्रांसफॉर्मर अनुवाद मॉडल अपने डिकोडर को एक स्थान से दाईं ओर स्थानांतरित किए गए लक्ष्य वाक्य पर प्रशिक्षित करता है, जिसमें बाद के शब्दों को छिपाने वाला एक मुखौटा होता है, इसलिए प्रत्येक लक्ष्य शब्द की भविष्यवाणी वास्तविक पहले के शब्दों से की जाती है।
एनआईपीएस 2016 में प्रस्तुत प्रोफेसर फोर्सिंग ने लिखावट, चरित्र-स्तरीय पाठ और कच्चे-तरंग भाषण के लिए आवर्ती मॉडल को प्रशिक्षित किया ताकि शिक्षक के दबाव के साथ और उसके बिना उनका व्यवहार एक जैसा दिखे।
अनुक्रम मॉडल में शिक्षक बल का भविष्य
शिक्षक को बाध्य करना भाषा मॉडल पूर्व-प्रशिक्षण का मूल बना हुआ है, इसलिए इसकी सीमाएँ लगातार अनुसंधान का ध्यान आकर्षित करती हैं। एक पंक्ति पूछती है कि क्या शिक्षक के दबाव के तहत अगली-टोकन भविष्यवाणी उन कार्यों को सीख सकती है जिनके लिए आगे की योजना बनाने की आवश्यकता होती है। बैचमैन और नागराजन (ICML 2024, जुलाई 2025 में संशोधित) प्रारंभिक सबूत देते हैं कि एक शिक्षक रहित उद्देश्य, जो डमी टोकन का उपयोग करता है ताकि मॉडल को उन्हें देखे बिना कई भविष्य के टोकन की भविष्यवाणी करनी चाहिए, उनके द्वारा पहचानी गई विफलता से बचा जा सकता है। एक अन्य पंक्ति रैंज़ाटो और सहकर्मियों के अनुक्रम-स्तरीय प्रशिक्षण के पीछे के विचार पर दोबारा गौर करती है: केवल वास्तविक उपसर्गों के बजाय मॉडल के स्वयं के पूर्ण आउटपुट से स्कोरिंग और सीखकर ट्रेन-अनुमान अंतर को बंद करना। खुले प्रश्नों में शामिल है कि अन्य त्रुटि स्रोतों की तुलना में एक्सपोज़र पूर्वाग्रह वास्तव में बड़े आधुनिक मॉडलों को कितना नुकसान पहुँचाता है, और कौन से प्रशिक्षण उद्देश्य लंबी-क्षितिज तर्क का सबसे अच्छा समर्थन करते हैं। प्रकाशित परिणाम अभी तक यह तय नहीं कर पाए हैं कि क्या कोई विकल्प शिक्षक-मजबूर अगले-टोकन भविष्यवाणी को डिफ़ॉल्ट पूर्व-प्रशिक्षण उद्देश्य के रूप में प्रतिस्थापित करेगा।
इसे व्यवहार में लाना
यह क्यों मायने रखता है?
- लागत और बजट. वास्तुकला संबंधी निर्णय वर्षों तक प्रदर्शन और परिचालन लागत को संचालित करते हैं।
- स्पष्ट निर्णय. तकनीकी शिक्षा टीमों को सही स्टैक चुनने में मदद करती है, न कि केवल नवीनतम स्टैक चुनने में।
- गुणवत्ता नियंत्रण. बेहतर इंजीनियरिंग विकल्प उत्पादन में विश्वसनीयता की घटनाओं को कम करते हैं।
का ध्यान रखें
- एक बेंचमार्क को अनुकूलित करने से व्यापक सिस्टम कमजोरियों को छुपाया जा सकता है।
- बुनियादी ढांचे और रखरखाव की लागत को अक्सर कम करके आंका जाता है।
- जैसे-जैसे सिस्टम अधिक जटिल होते जाएंगे सुरक्षा और अवलोकन संबंधी अंतराल बढ़ सकते हैं।
अगले चरण
- कार्यान्वयन से पहले विलंबता, गुणवत्ता और लागत लक्ष्य परिभाषित करें।
- यथार्थवादी लोड और डेटा स्थितियों के तहत बेंचमार्क।
- त्रुटियों, बहाव और उपयोगकर्ता प्रभाव के लिए उपकरण निगरानी।
- स्केलिंग से पहले रोलबैक और घटना प्रतिक्रिया पथ तैयार करें।
स्रोत और आगे पढ़ना
- Neural Computation (via ML Anthology)पूरी तरह से आवर्ती तंत्रिका नेटवर्क को लगातार चलाने के लिए एक सीखने का एल्गोरिदम
- arXivआवर्ती तंत्रिका नेटवर्क के साथ अनुक्रम भविष्यवाणी के लिए अनुसूचित नमूनाकरण
- arXiv (ICLR 2016)आवर्ती तंत्रिका नेटवर्क के साथ अनुक्रम स्तर का प्रशिक्षण
- arXiv (NIPS 2016)प्रोफेसर फ़ोर्सिंग: प्रशिक्षण आवर्ती नेटवर्क के लिए एक नया एल्गोरिदम
- arXiv (NeurIPS 2017)आपको केवल ध्यान की आवश्यकता है
- PyTorchस्क्रैच से एनएलपी: अनुक्रम नेटवर्क और ध्यान के अनुक्रम के साथ अनुवाद
- arXiv (ICML 2024)अगली-टोकन भविष्यवाणी के नुकसान
अन्वेषण करते रहें
मुफ़्त न्यूज़लेटर
दैनिक एआई ब्रीफिंग प्राप्त करें
हर कार्यदिवस की सुबह तीन सत्यापित एआई कहानियाँ, सादे अंग्रेजी में लिखी गईं। हमेशा के लिए मुफ़्त, कोई विज्ञापन नहीं।
प्रत्येक सप्ताह के दिन एक ईमेल. एक क्लिक में सदस्यता समाप्त करें. हम आपका पता कभी नहीं बेचते या साझा नहीं करते।
स्वयं की जांच करो
टीचर फ़ोर्सिंग इन सीक्वेंस मॉडल क्विज़ में भाग लें
प्रत्येक उत्तर पर त्वरित प्रतिक्रिया, और पाठ्यक्रम पास करने के बाद एक सत्यापन योग्य आईडी के साथ एक साझा करने योग्य प्रमाणपत्र।
निःशुल्क एआई शिक्षा का समर्थन करें। AI Understanding एक 501(c)(3) गैर-लाभकारी संस्था है - कोई विज्ञापन नहीं, कोई पेवॉल नहीं। दान करें
अक्सर पूछे जाने वाले प्रश्नों
अनुक्रम मॉडल में शिक्षक बल क्या है?
शिक्षक बल मॉडल को प्रशिक्षित करने का मानक तरीका है जो एक समय में एक टोकन अनुक्रम उत्पन्न करता है: प्रशिक्षण के दौरान, मॉडल को अपने अनुमान के बजाय सही पिछला टोकन खिलाया जाता है। 1989 में विलियम्स और जिप्सर द्वारा नामित, यह प्रशिक्षण को तेज़ और स्थिर बनाता है और ट्रांसफॉर्मर्स को समानांतर में पूरे अनुक्रमों पर प्रशिक्षित करने देता है, लेकिन यह प्रशिक्षण और पीढ़ी के बीच एक अंतर पैदा करता है जिसका शोधकर्ता अभी भी अध्ययन करते हैं।
शिक्षक फ़ोर्सिंग के दौरान, प्रत्येक डिकोडिंग चरण में इनपुट के रूप में क्या फीड किया जाता है?
कंडीशनिंग उपसर्ग को सही रखते हुए, शिक्षक फ़ोर्सिंग मॉडल की भविष्यवाणी के बजाय वास्तविक पिछले लक्ष्य टोकन को फीड करता है।
शिक्षक-मजबूर प्रशिक्षण के दौरान, डिकोडर इनपुट y_(t−1) के साथ किस लक्ष्य को जोड़ा जाता है?
शिक्षक के दबाव के साथ, डिकोडर संदर्भ के रूप में y_(t−1) प्राप्त करता है और क्रॉस-एन्ट्रॉपी लक्ष्य सच्चा अगला टोकन y_t है।
ट्रांसफार्मर डिकोडर में, कौन सा तंत्र शिक्षक-मजबूर प्रशिक्षण को विभिन्न पदों पर समानांतर रूप से चलने देता है?
एक कारणात्मक मुखौटा प्रत्येक स्थिति को भविष्य के टोकन पर ध्यान देने से रोकता है, इसलिए पूरे अनुक्रम को बिना किसी धोखाधड़ी के एक ही बार में संसाधित किया जा सकता है।
अनुमान के समय शिक्षक पर दबाव क्यों नहीं डाला जा सकता?
वास्तविक पीढ़ी के दौरान कोई लक्ष्य अनुक्रम मौजूद नहीं होता है, इसलिए मॉडल को प्रशिक्षण के विपरीत, अपनी स्वयं की भविष्यवाणियों को वापस फीड करना होगा।
शिक्षक-मजबूर प्रशिक्षण के दौरान प्रत्येक चरण में आमतौर पर किस हानि का उपयोग किया जाता है?
ऑटोरेग्रेसिव मॉडल को टोकन-स्तरीय क्रॉस-एन्ट्रॉपी के साथ प्रशिक्षित किया जाता है, जो अनुमानित वितरण की तुलना सोने के अगले टोकन से करता है।
सीखते रहो
संबंधित मार्गदर्शिकाएँ
इस विषय के लिए अधिक मार्गदर्शिकाएँ चुनी गईं