LegközelebbKövetkező útmutató
Tanulási ütem ütemezése
Műszaki
Műszaki ÚTMUTATÓ
A ciklikus tanulási arányok a tanulási sebességet ismételten fel-le mozgatják egy alsó és felső határ között, ahelyett, hogy csak csökkentenék azt.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Ez az intuitív ugrálás felgyorsíthatja a konvergenciát, és segít az optimalizálónak elkerülni az éles helyi minimumokat és nyeregpontokat.
A Leslie Smith által 2015-ben javasolt ciklikus tanulási ráta (CLR) megkérdőjelezi azt a feltételezést, hogy ennek az aránynak csak mindig csökkennie kell. Ehelyett a minimális és a maximum korlát között ingadozik meghatározott számú iteráción keresztül (egy „ciklus”), gyakran háromszög alakú. Az intuíció: az ütem időszakos emelése olyan energialöketet biztosít, amely lehetővé teszi a modellnek, hogy kiugorjon a gyenge, éles minimumokból és áthaladjon a nyeregpontokon, míg az alacsony fázisok hagyják leülepedni. Smith emellett bevezette az „LR tartománytesztet” – egy rövid távot, amely felfelé söpör az árfolyamon, miközben figyeli a veszteséget –, hogy automatikusan megtalálja a jó határokat. A háromszögletű, a háromszögletű bomlás és a híres egyciklusos politika mind erre az elképzelésre épít.
A fast.ai népszerűsítette az egyciklusos politikát, mint alapértelmezést a képosztályozók gyors, néhány korszakon belüli nagy pontosságú képzéséhez.
Az LR tartományteszt néhány száz tételnél felfelé söpör az arányt, hogy a valódi futtatás előtt meghatározza a minimális és maximális határértékeket.
A Snapshot összeállítás minden ciklus végén elment egy modell-ellenőrző pontot, így egyetlen edzési futásból szabad összeállítást hoz létre.
A sztochasztikus gradiens süllyedés meleg újraindítással (SGDR) időnként visszaállítja a sebességet magas értékre, hogy elkerülje az éles minimumokat.
A ciklikus ütemezés és az egyciklusos politika továbbra is népszerű a látási és táblázatos feladatok gyors képzésében, az LR tartományteszt pedig egy szabványos hangolási trükk. A nagyon nagy nyelvi modellek esetében általában a sima bemelegítés plusz koszinusz ütemezések dominálnak, de a mögöttes meglátás – hogy a stratégiai növelések segítenek elkerülni a veszteségkörnyezet rossz régióit – tájékoztat a meleg újraindításokról (SGDR) és a modellek összeállításáról, amelyek pillanatfelvételeket készítenek az egyes ciklusok mélypontján. Folyamatos keresztbeporzásra kell számítani a ciklikus ötletek és az adaptív, önhangoló ütemezők között.
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 ciklikus tanulási arányok a tanulási sebességet ismételten fel-le mozgatják egy alsó és felső határ között, ahelyett, hogy csak csökkentenék azt. Ez az intuitív ugrálás felgyorsíthatja a konvergenciát, és segít az optimalizálónak elkerülni az éles helyi minimumokat és nyeregpontokat.
A CLR szándékosan újra és újra megemeli az árfolyamot, elutasítva azt a hagyományos nézetet, amely szerint csak monoton módon kell csökkennie.
Smith reported improved classification accuracy without tuning and often in fewer iterations on the tested datasets; the paper does not guarantee a specific loss-landscape escape mechanism.
Rövid ideig folyamatosan emelkedő ütemben fut; a veszteséggörbe megmutatja a ciklusok ésszerű minimumát és maximumát.
Az egyciklusos politika csökkenti a lendületet, miközben a kamatláb tetőzik, és emeli, amikor a kamatláb csökken, ami rendszeresítő hatást fejt ki.
A triangular policy increases the rate during one half-cycle and decreases it during the other half.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Tanulási ütem ütemezése
Műszaki