배치 정규화
배치 정규화는 훈련 중에 신경망의 각 계층에 대한 입력의 크기를 조정하여 심층 네트워크를 더 빠르고 안정적으로 훈련시키는 기술입니다.
개요
이는 딥러닝에서 가장 널리 사용되는 트릭 중 하나가 되었습니다.
심층 분석
데이터가 심층 네트워크를 통해 흐르면서 각 레이어에 공급되는 값의 분포는 이전 레이어가 업데이트됨에 따라 계속 이동하여 훈련 속도를 늦추고 불안정하게 만듭니다. 2015년 Ioffe와 Szegedy가 도입한 배치 정규화는 현재 미니 배치 전체에서 각 레이어의 입력을 정규화하여 평균과 단위 분산이 거의 0이 되도록 이 문제를 해결합니다. 그런 다음 두 개의 학습 가능한 매개변수인 감마와 베타를 적용하여 도움이 되는 경우 네트워크를 확장하고 정규화된 값을 다시 이동시켜 표현력을 잃지 않습니다. 보상은 큽니다. 네트워크는 더 높은 학습 속도를 허용하고, 더 적은 epoch에 수렴하고, 가중치 초기화에 덜 민감하며, 일반화가 좀 더 나은 경우가 많습니다. 문제는 동작이 배치 통계에 따라 달라지므로 아주 작은 배치로 인해 불안정해질 수 있다는 것입니다.
기술적 통찰력
미니 배치의 각 기능에 대해 배치 노름은 배치 평균과 분산을 계산하고 평균을 뺀 다음 표준 편차(안정성을 위해 작은 엡실론 추가)로 나눕니다. 그런 다음 감마와 베타가 학습되는 정규화된 값과 베타를 곱한 값을 출력합니다. 훈련 중에는 실시간 배치 통계를 사용하는 동시에 실행 평균도 유지합니다. 추론 시 저장된 실행 평균으로 전환되므로 예측은 배치를 공유하는 다른 예제에 의존하지 않습니다. 일반적으로 레이어의 선형 단계와 활성화 함수 사이에 삽입됩니다.
전략적 영향
비용 및 예산
아키텍처 결정은 수년 동안 성능과 운영 비용을 결정합니다.
더 명확한 결정들
기술 교육은 팀이 최신 스택뿐만 아니라 올바른 스택을 선택하는 데 도움이 됩니다.
품질 관리
더 나은 엔지니어링 선택은 생산 시 신뢰성 사고를 줄입니다.
배치 정규화의 미래
배치 정규화는 컨볼루셔널 비전 모델에서 여전히 중요한 역할을 하지만 배치 통계에 대한 의존성은 순환 네트워크, 작은 배치 및 분산 훈련에서는 어색합니다. 이로 인해 단일 예제 내의 기능 전체를 정규화하고 이제 변환기 아키텍처를 지배하는 계층 정규화와 특정 도메인에 대한 그룹 및 인스턴스 정규화와 같은 대안이 채택되었습니다. 신중한 초기화 및 확장을 통해 이점을 충족하는 정규화 없는 네트워크에 대한 연구가 계속되고 있습니다. 아키텍처에 맞게 선택된 특정 변형을 사용하여 정규화가 필수적으로 유지될 것으로 예상합니다.
실제 구현
ResNet 이미지 분류기에 배치 노름 레이어를 삽입하면 더 높은 학습률로 훈련하고 훨씬 더 적은 에포크에 수렴할 수 있습니다.
이전에 정규화 없이 분기되었던 의료 영상을 위한 심층 컨벌루션 네트워크의 훈련을 안정화합니다.
맞춤형 CNN에서 가중치 초기화에 대한 민감도를 줄여 엔지니어가 시작 값을 수동으로 조정하는 데 소요되는 시간을 줄입니다.
단일 이미지 예측이 일관되게 유지되도록 모델을 배포할 때 학습 모드 배치 통계에서 저장된 실행 평균으로 전환합니다.
위험 및 가드레일
하나의 벤치마크를 최적화하면 더 광범위한 시스템 약점을 숨길 수 있습니다.
인프라 및 유지 관리 비용은 종종 과소평가됩니다.
시스템이 더욱 복잡해짐에 따라 보안 및 관찰 가능성의 격차가 커질 수 있습니다.
구현 로드맵
구현하기 전에 지연 시간, 품질, 비용 목표를 정의하세요.
현실적인 로드 및 데이터 조건에서 벤치마킹합니다.
오류, 드리프트 및 사용자 영향에 대한 계측기 모니터링.
확장하기 전에 롤백 및 사고 대응 경로를 준비하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Batch Normalization quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
RMSNorm 및 사전 레이어 정규화
자주 묻는 질문
배치 정규화란 무엇입니까?
배치 정규화는 훈련 중에 신경망의 각 계층에 대한 입력의 크기를 조정하여 심층 네트워크를 더 빠르고 안정적으로 훈련시키는 기술입니다. 이는 딥러닝에서 가장 널리 사용되는 트릭 중 하나가 되었습니다.
일괄 정규화는 무엇을 정규화합니까?
배치 규범은 현재 미니 배치에서 계산된 평균과 분산을 사용하여 레이어의 입력을 표준화하고 훈련이 진행됨에 따라 활성화를 안정적인 범위로 유지합니다.
배치 정규화에 학습 가능한 매개변수 감마 및 베타가 포함되는 이유는 무엇입니까?
평균과 단위 분산을 0으로 정규화한 후 감마와 베타를 사용하면 네트워크의 크기를 조정하고 값을 다시 이동시킬 수 있으므로 정규화로 인해 레이어가 표현할 수 있는 내용이 제한되지 않습니다.
배치 정규화의 일반적으로 인용되는 실질적인 이점은 무엇입니까?
계층 입력의 크기를 적절하게 유지함으로써 배치 노름을 통해 네트워크는 더 큰 학습 속도로 훈련하고 더 빠르게 수렴하며 초기화에 덜 민감하게 됩니다.
추론 시(새 데이터 예측) 배치 정규화에서는 어떤 통계를 사용합니까?
추론 시 실시간 배치 통계를 사용하면 배치를 공유하는 다른 예에 따라 예측이 달라집니다. 대신 배치 표준은 훈련 중에 저장된 고정 실행 평균을 사용합니다.
매우 작은 배치 크기에서 배치 정규화가 제대로 작동하지 않는 이유는 무엇입니까?
배치 규범은 배치의 평균 및 분산 추정에 따라 달라집니다. 예시가 거의 없기 때문에 이러한 추정에는 잡음이 많아 학습이 불안정해질 수 있습니다.