LegközelebbKövetkező útmutató
Kötegelt vs valós idejű következtetés
Műszaki
Műszaki ÚTMUTATÓ
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
It became one of the most widely used tricks in deep learning.
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.
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 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.
Ingyenes hírlevél
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
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
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.
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.
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.
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.
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.
A köteg normája a köteg átlagától és eltérésétől függ. Nagyon kevés példa esetén ezek a becslések zajosak, ami destabilizálhatja az edzést.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Kötegelt vs valós idejű következtetés
Műszaki