Il prossimoProssima guida
Inizializzazione del peso
Tecnico
GUIDA TECNICA
La media stocastica del peso (SWA) esegue una media semplice dei pesi del modello da diversi punti nelle fasi avanzate dell'addestramento invece di conservare semplicemente l'istantanea finale.
Ascolta questa guidaNarrato dall'IA · ~2 min
Questo trucchetto spesso colloca il modello in una regione più piatta e più ampia del panorama delle perdite, che tende a generalizzare notevolmente meglio sui dati invisibili.
Introdotto da Izmailov, Wilson e colleghi nel 2018, SWA sfrutta l'osservazione che l'SGD con un tasso di apprendimento costante o ciclico non converge verso un punto: rimbalza attorno al bordo di una valle ampia e piatta. Invece di scegliere uno di quei punti di arresto rumorosi, SWA esegue un tasso di apprendimento moderatamente alto (spesso costante o ciclico) per le epoche finali e calcola la media dei pesi che visita, in genere ogni epoca. I pesi medi si trovano più vicini al centro della regione piatta. Poiché le statistiche di normalizzazione batch vengono calcolate per pesi specifici, SWA richiede un ulteriore passaggio in avanti sui dati per ricalcolare le medie e le varianze correnti di BN per il modello medio. Il costo è essenzialmente gratuito e i miglioramenti in termini di precisione sono coerenti tra i classificatori di immagini e oltre.
Aumento dell'accuratezza dei test dei classificatori di immagini ResNet e DenseNet su CIFAR e ImageNet senza costi di inferenza aggiuntivi.
SWAG (SWA-gaussiano) che produce stime di incertezza calibrate per previsioni sensibili alla sicurezza da una singola sessione di allenamento.
EMA dei pesi che stabilizza la rete di campionamento nei generatori di immagini di diffusione come Stable Diffusion.
Costruire "zuppe modello" calcolando la media di più checkpoint ottimizzati per migliorare la robustezza senza riqualificazione.
SWA ha generato varianti come SWA-Gaussian (SWAG) per l’incertezza bayesiana a basso costo, e l’idea della media ora è alla base dei trucchi della media mobile esponenziale ampiamente utilizzati nei modelli di diffusione, nell’apprendimento auto-supervisionato e nel pre-training di modelli di grandi dimensioni. Aspettatevi che la media del peso rimanga un "pranzo gratis" predefinito nelle ricette di formazione, con la ricerca che la estende alla fusione di modelli addestrati in modo indipendente (zuppe modello) e al miglioramento della calibrazione insieme alla precisione pura.
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
La media stocastica del peso (SWA) esegue una media semplice dei pesi del modello da diversi punti nelle fasi avanzate dell'addestramento invece di conservare semplicemente l'istantanea finale. Questo trucchetto spesso colloca il modello in una regione più piatta e più ampia del panorama delle perdite, che tende a generalizzare notevolmente meglio sui dati invisibili.
SWA calcola la media dei parametri del modello (pesi) raccolti in diversi punti di controllo durante la fase finale dell'addestramento, non delle previsioni o dei gradienti.
La media sposta la soluzione verso il centro di una regione piatta della superficie delle perdite, e i minimi piatti si generalizzano meglio perché le perdite del treno e del test rimangono allineate.
Poiché le statistiche BN dipendono dai pesi specifici, il modello medio necessita di un ulteriore passaggio sui dati per ricalcolare le medie e le varianze correnti.
SWA mantiene un tasso di apprendimento costante o ciclico moderatamente alto, quindi SGD continua a esplorare l'ampia regione pianeggiante di cui viene poi calcolata la media dei punti.
SWA comprime molti checkpoint in un insieme di peso medio, quindi l'inferenza costa come un singolo modello anziché N.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Inizializzazione del peso
Tecnico