Műszaki ÚTMUTATÓ

Kötegelt normalizálás

A kötegelt normalizálás egy olyan technika, amely átskálázza a bemeneteket a neurális hálózat minden rétegére a betanítás során, így a mélyhálózatok gyorsabban és megbízhatóbban edzhetnek.

Hallgassa meg ezt az útmutatótAI-narrált · ~2 min

Ezen az oldalon2 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A kötegelt normalizálás jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

It became one of the most widely used tricks in deep learning.

Mély merülés

Ahogy az adatok egy mély hálózaton keresztül áramlanak, az egyes rétegeket tápláló értékek eloszlása ​​folyamatosan változik, ahogy a korábbi rétegek frissülnek, ami lelassítja és destabilizálja a képzést. Az Ioffe és a Szegedy által 2015-ben bevezetett kötegelt normalizálás ezt azáltal oldja meg, hogy normalizálja az egyes rétegek bemeneteit a jelenlegi mini kötegben, hogy nagyjából nulla legyen az átlag és az egységnyi eltérés. Ezután két tanulható paramétert alkalmaz, a gamma-t és a bétaverziót, amelyek lehetővé teszik a hálózat méretezését, és visszatolja a normalizált értékeket, ha ez segít, így nem veszít reprezentációs erejéből. A megtérülés nagy: a hálózatok nagyobb tanulási arányt tolerálnak, kevesebb korszakban konvergálnak, kevésbé érzékenyek a súlyozás inicializálására, és gyakran egy kicsit jobban általánosítanak. A bökkenő az, hogy a viselkedés a kötegstatisztikáktól függ, így a nagyon kis tételek instabillá tehetik azt.

Valós megvalósítás

Kötegelt normarétegek beszúrása egy ResNet képosztályozóba, hogy az magasabb tanulási sebességgel tudjon edzeni, és sokkal kevesebb korszakban konvergáljon.

Az orvosi képalkotás mély konvolúciós hálózatának képzésének stabilizálása, amely korábban normalizálás nélkül tért el egymástól.

Csökkenti a súly inicializálási érzékenységét az egyéni CNN-ben, így a mérnökök kevesebb időt töltenek a kezdő értékek kézi hangolásával.

Váltás a betanítási mód kötegelt statisztikáiról a tárolt futó átlagokra a modell telepítésekor, így az egyképes előrejelzések konzisztensek maradnak.

A kötegelt normalizálás jövője

A kötegelt normalizálás továbbra is a konvolúciós látásmodellek igáslója, de a kötegelt statisztikáktól való függése kínos az ismétlődő hálózatok, az apró kötegek és az elosztott képzések esetében. Ez ösztönözte az olyan alternatívák elfogadását, mint a rétegnormalizálás, amely egyetlen példán belül normalizálja a funkciókat, és most uralja a transzformátor-architektúrákat, valamint a csoport- és példánynormalizálást bizonyos tartományokban. Folytatódik a kutatás a normalizálástól mentes hálózatok kidolgozásában, amelyek gondos inicializálás és méretezés révén megfelelnek annak előnyeinek. Várható, hogy a normalizálás elengedhetetlen maradjon, és az architektúrához illeszkedő konkrét változatot választják.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Batch Normalization quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

What is Batch Normalization?

A kötegelt normalizálás egy olyan technika, amely átskálázza a bemeneteket a neurális hálózat minden rétegére a betanítás során, így a mélyhálózatok gyorsabban és megbízhatóbban edzhetnek. Ez lett az egyik legszélesebb körben használt trükk a mély tanulásban.

Mit normalizál a kötegelt normalizálás?

A kötegelt norma szabványosítja a réteg bemeneteit az aktuális mini köteg alapján számított átlag és variancia felhasználásával, stabil tartományban tartva az aktiválásokat a képzés előrehaladtával.

Miért tartalmaz a kötegelt normalizálás megtanulható gamma és béta paramétereket?

A nulla átlagra és az egységnyi szórásra való normalizálás után a gamma és a béta lehetővé teszi a hálózat számára, hogy átméretezzen és újra eltolja az értékeket, ha ez előnyös, így a normalizálás nem korlátozza, hogy a réteg mit képviselhet.

Mi a gyakran hivatkozott gyakorlati előnye a kötegelt normalizálásnak?

A rétegbemenetek jól skálázva tartásával a kötegelt norma lehetővé teszi, hogy a hálózatok nagyobb tanulási sebességgel edzenek, gyorsabban konvergáljanak, és kevésbé legyenek érzékenyek az inicializálásra.

A következtetés időpontjában (új adatokra előrejelzés) milyen statisztikákat használ a kötegelt normalizálás?

Az élő kötegstatisztika következtetésként történő felhasználása az előrejelzést attól függné, hogy mely más példák osztják meg a köteget. Ehelyett a kötegelt norma az edzés során tárolt rögzített futóátlagokat használja.

Miért működhet rosszul a köteg normalizálás nagyon kis kötegméretek esetén?

A köteg normája a köteg átlagától és eltérésétől függ. Nagyon kevés példa esetén ezek a becslések zajosak, ami destabilizálhatja az edzést.