Il prossimoProssima guida
Ottimizzazione della politica relativa del gruppo
Tecnico
GUIDA TECNICA
L'ottimizzazione del secondo ordine utilizza le informazioni sulla curvatura (la matrice Hessiana delle derivate seconde) per compiere passi più intelligenti verso il minimo, non solo verso la pendenza.
Ascolta questa guidaNarrato dall'IA · ~2 min
It can converge in dramatically fewer iterations than plain gradient descent, but the cost of computing curvature makes it tricky to scale.
La discesa gradiente conosce solo la pendenza nel punto corrente, quindi sceglie una dimensione del passo fissa o regolata manualmente e spera per il meglio. Il metodo di Newton va oltre: esamina anche come cambia la pendenza (la curvatura), catturata dall'Assia, una matrice di tutte le derivate parziali seconde. L'aggiornamento moltiplica l'Hessiano inverso per il gradiente, che ridimensiona automaticamente ciascuna direzione e si avvicina al minimo di un'approssimazione quadratica locale. Per una ciotola perfettamente quadratica, il metodo di Newton raggiunge il fondo in un unico passaggio. Il problema è brutale: un modello con N parametri ha un Hessian N per N, quindi memorizzarlo e invertirlo costa circa N memoria al quadrato e calcolo N cubi. Per le reti con miliardi di parametri ciò è impossibile, motivo per cui i professionisti utilizzano approssimazioni più economiche.
L-BFGS che adatta la regressione logistica e altri modelli convessi in scikit-learn, dove spesso batte la semplice discesa del gradiente su set di dati di piccole e medie dimensioni
Bundle adjustment nella ricostruzione 3D e SLAM, dove Gauss-Newton e Levenberg-Marquardt perfezionano le pose della telecamera e le posizioni dei punti
Addestrando minuscole reti neurali informate sulla fisica in cui L-BFGS raggiunge una precisione che Adam fatica a raggiungere
Shampoo e K-FAC accelerano l'addestramento al deep learning su larga scala avvicinandosi alla struttura dell'Assia
Per le reti neurali giganti, i metodi completi del secondo ordine rimangono poco pratici, ma le approssimazioni stanno guadagnando terreno. Ottimizzatori come K-FAC e Shampoo approssimano la curvatura utilizzando una struttura diagonale a blocchi o fattoriata con Kronecker, mentre metodi più recenti come Sophia e Muon utilizzano stime di curvatura economiche per accelerare il pre-addestramento di modelli linguistici di grandi dimensioni. Si prevede uno sforzo continuo per acquisire un segnale di curvatura utile a un costo quasi del primo ordine, riducendo il divario tra i passi di Adam e i veri passi di Newton.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L'ottimizzazione del secondo ordine utilizza le informazioni sulla curvatura (la matrice Hessiana delle derivate seconde) per compiere passi più intelligenti verso il minimo, non solo verso la pendenza. Può convergere in un numero notevolmente inferiore di iterazioni rispetto alla semplice discesa del gradiente, ma il costo del calcolo della curvatura ne rende difficile la scalabilità.
Il metodo di Newton aumenta il gradiente con la curvatura dell'Assia, consentendogli di riscalare le direzioni e approssimare il minimo quadratico locale.
Su una quadratica esatta, il modello quadratico locale equivale alla funzione vera, quindi un passo di Newton salta direttamente al minimo.
Con N parametri l'Assia ha voci N al quadrato e invertendola si scala come N al cubo, il che è irrealizzabile con miliardi di parametri.
BFGS aggiorna iterativamente una stima dell'Hessiana inversa utilizzando i cambiamenti nel gradiente tra i passaggi, evitando il calcolo diretto.
La "L" sta per memoria limitata: L-BFGS conserva solo una manciata di vettori recenti, riducendo l'archiviazione da N al quadrato a circa un piccolo multiplo di N.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Ottimizzazione della politica relativa del gruppo
Tecnico