Műszaki ÚTMUTATÓ

RMSNorm és Pre-Layer Normalization

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

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

Áttekintés

Together they make deep transformers train stably without warmup tricks.

Mély merülés

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.

Valós megvalósítás

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 és a réteg előtti normalizálás jövője

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.

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 RMSNorm and Pre-Layer 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 RMSNorm and Pre-Layer Normalization?

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.

Mit hagy ki az RMSNorm a szabványos LayerNormhoz képest?

Az RMSNorm kihagyja az átlag kiszámítását és kivonását, és csak az aktiválások négyzetes középértékével normalizál.

Milyen mennyiséggel osztja el az RMSNorm az egyes aktiválási vektorokat?

Az RMSNorm elosztja sqrt-vel a négyzetes elemek átlagát, azaz a négyzetgyököt, majd tanult erősítést alkalmaz.

What gradient behavior does Pre-LN support at initialization in deep Transformers?

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.

Egy pre-LN blokkban milyen utat hagy szándékosan érintetlenül a normalizációs réteg?

A pre-LN normalizálja a bemenetet egy alrétegre, de a maradék parancsikon megkerüli azt, megőrizve a tiszta gradiens autópályát.

Mely modern, nyitott súlyú modellcsaládok használnak alapértelmezés szerint RMSNormot?

Az RMSNorm lett a standard normalizálás a LLaMA, a Mistral, a Qwen, a Gemma és a legújabb LLM-ekben.