LegközelebbKövetkező útmutató
Réteg normalizálása
Műszaki
Műszaki ÚTMUTATÓ
Az RMSNorm egy könnyű normalizálási réteg, amely átskálázza az aktiválásokat az átlagos négyzetek alapján, és a réteg előtti normalizálási helyeket, amelyek az egyes alrétegek elé lépnek, nem pedig utána.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Together they make deep transformers train stably without warmup tricks.
A Standard LayerNorm kivonja az átlagot és elosztja a szórással egy jellemzővektoron, majd alkalmazza a tanult skálát és eltolást. Az RMSNorm, amelyet Zhang és Sennrich 2019-ben vezetett be, teljesen elveti az átlagközpontosítást és a torzítást: egyszerűen elosztja az egyes vektorokat elemeinek négyzetes átlagával, és megszorozza a tanult jellemzőnkénti erősítéssel. Ez eltávolít egy statisztikát és több műveletet, ami nagyjából 10-50%-kal csökkenti a számítást a normál rétegben, miközben az illesztési pontosságot biztosítja. Külön-külön a „Pre-LN” elhelyezés (normál a figyelem/MLP előtt, körülötte tiszta maradék úttal) a gradiens nagyságát az inicializáláskor korlátozottan tartja, így az olyan modellek, mint a GPT-3, a LLaMA és a PaLM, tanulási sebességű bemelegítési hackek nélkül dolgoznak, amelyeket az eredeti Post-LN transzformátor igényel.
A LLaMA, a Mistral és a Qwen a LayerNorm-ot RMSNorm-ra cseréli, hogy minden tokennél csökkentse a következtetési késleltetést
A Pre-LN lehetővé teszi a GPT-stílusú modellek edzését a tanulási sebesség bemelegítés nélkül, amelyre a 2017-es Post-LN transzformátornak szüksége volt
A QK-normalizálás az RMSNorm-ot használja a figyelemfelhívásokhoz és kulcsokhoz, hogy megakadályozza a logitok felrobbanását a nagy modellekben
A mobil- és éltranszformátorok alkalmazzák az RMSNorm-ot, mivel az átlagos és a torzítás csökkentése csökkenti a memóriaforgalmat
Az RMSNorm most az alapértelmezett a legtöbb nyitott súlyú LLM-ben (LLaMA, Mistral, Qwen, Gemma), ezért számítson rá, hogy továbbra is szabványos marad. A kutatás finomítja a receptet: a QK-norm az RMSNorm-ot alkalmazza a figyelemfelhívásokra és a logit növekedés megfékezésére szolgáló kulcsokra, és egyes laboratóriumok kombinálják a normát megelőző és utáni („szendvics” vagy „peri-LN”) további stabilitást billió paraméteres léptékben. A hardveres kernelek folyamatosan összeolvasztják a műveletet a sebesség érdekében.
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
Az RMSNorm egy könnyű normalizálási réteg, amely átskálázza az aktiválásokat az átlagos négyzetek alapján, és a réteg előtti normalizálási helyeket, amelyek az egyes alrétegek elé lépnek, nem pedig utána. Együtt bemelegítési trükkök nélkül stabilan edzenek a mélytranszformátorok.
Az RMSNorm kihagyja az átlag kiszámítását és kivonását, és csak az aktiválások négyzetes középértékével normalizál.
Az RMSNorm elosztja sqrt-vel a négyzetes elemek átlagát, azaz a négyzetgyököt, majd tanult erősítést alkalmaz.
Xiong et al. analyze gradient behavior and show Pre-LN gradients are better behaved at initialization; this does not guarantee warmup-free training for every setup.
A pre-LN normalizálja a bemenetet egy alrétegre, de a maradék parancsikon megkerüli azt, megőrizve a tiszta gradiens autópályát.
Az RMSNorm lett a standard normalizálás a LLaMA, a Mistral, a Qwen, a Gemma és a legújabb LLM-ekben.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Réteg normalizálása
Műszaki