그룹 정규화
그룹 정규화는 각 예에 대해 독립적으로 채널의 작은 그룹 내의 특징을 정규화하여 신경망 훈련을 안정화하는 기술입니다.
개요
It matters because, unlike Batch Normalization, it works well even when batches are tiny.
심층 분석
정규화 계층은 네트워크를 통해 숫자 흐름을 적절하게 유지하여 훈련 속도를 높이고 안정화시킵니다. 배치 정규화는 전체 미니 배치에 걸쳐 각 기능의 평균과 분산을 계산하여 이를 수행하지만 배치가 작으면 통계에 잡음이 많고 신뢰할 수 없기 때문에 취약해집니다. 2018년 Wu와 He가 도입한 그룹 정규화는 방정식에서 배치를 완전히 제거합니다. 각 개별 예제에 대해 채널을 고정된 수의 그룹으로 분할한 다음 해당 예제의 자체 값만 사용하여 각 그룹을 정규화합니다. 계산은 배치의 다른 예에 의존하지 않기 때문에 배치가 32개의 이미지를 보유하든 1개만 보유하든 관계없이 성능이 안정적으로 유지되므로 감지, 분할 및 메모리를 많이 사용하는 비전 작업에 널리 사용됩니다.
기술적 통찰력
Group Norm은 샘플별로 공간 차원과 각 그룹 내 채널에 대한 평균과 분산을 계산합니다. 그런 다음 평균 및 단위 분산을 0으로 정규화하고 학습된 채널별 스케일(감마) 및 이동(베타)을 적용합니다. 이는 다른 체계를 일반화합니다. 하나의 그룹을 사용하면 레이어 정규화가 되고, 그룹당 하나의 채널을 사용하면 인스턴스 정규화가 됩니다. 그룹 수는 하이퍼파라미터이며 종종 32로 설정됩니다.
전략적 영향
더 명확한 결정들
이는 명확한 기술적 주장과 마케팅 언어를 구분하는 데 도움이 됩니다.
비용 및 예산
돈이나 시간을 들이기 전에 더 나은 구현 질문을 할 수 있습니다.
팀과 워크플로우
이해를 공유한 팀은 더 나은 제품, 정책 및 학습 결정을 내립니다.
그룹 정규화의 미래
그룹 정규화는 고해상도 감지 및 분할, 3D 및 비디오 모델, 메모리가 제한된 교육과 같이 배치가 작아야 하는 경우 항상 선택됩니다. 또한 확산 모델 내부의 U-Net과 같이 널리 사용되는 생성 아키텍처에도 내장되어 있습니다. 모델이 성장하고 메모리 압박으로 인해 배치 크기가 줄어들면서 배치 독립적 정규화 프로그램인 Group Norm은 Layer Norm과 함께 하이브리드 및 정규화 없는 대안에 대한 지속적인 연구를 통해 기본 빌딩 블록으로 남을 가능성이 높습니다.
실제 구현
매우 작은 GPU당 배치로 학습된 객체 감지 및 인스턴스 분할(예: Mask R-CNN 스타일 모델)
Group Norm이 기능 스케일을 안정화하는 확산 이미지 생성기 내부의 U-Net 백본입니다.
높은 메모리 사용으로 인해 배치 크기가 1~2로 줄어드는 3D 및 비디오 네트워크.
소규모 배치로 인해 Batch Norm 통계를 신뢰할 수 없는 제한된 하드웨어에서 대규모 비전 모델을 미세 조정합니다.
위험 및 가드레일
팀마다 동일한 용어를 다르게 사용할 수 있으므로 범위를 조기에 정의하세요.
벤치마크는 강력해 보이지만 실제 성능은 고르지 않을 수 있습니다.
데이터 품질 및 평가 계획을 무시하면 취약한 결과가 발생하는 경우가 많습니다.
구현 로드맵
필요한 결과에 대한 일반 언어 정의부터 시작하세요.
테스트하기 전에 하나의 성공 지표와 하나의 실패 조건을 선택하세요.
세련된 데모 세트가 아닌 대표 데이터를 사용하여 소규모 파일럿을 실행하세요.
그룹 정규화가 도움이 되는 부분과 더 간단한 방법이 더 나은 부분을 문서화하세요.
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 Group 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
RLHF의 그룹화된 보상 정규화
자주 묻는 질문
What is Group Normalization?
그룹 정규화는 각 예에 대해 독립적으로 채널의 작은 그룹 내의 특징을 정규화하여 신경망 훈련을 안정화하는 기술입니다. 배치 정규화와 달리 배치가 작은 경우에도 잘 작동하기 때문에 중요합니다.
배치 정규화에 비해 그룹 정규화의 주요 장점은 무엇입니까?
Group Norm은 배치 전체가 아닌 사례별로 통계를 계산하기 때문에 Batch Norm과 달리 작은 배치로 인해 성능이 저하되지 않습니다.
그룹 정규화는 무엇에 대해 평균과 분산을 계산합니까?
채널을 그룹으로 나누고 해당 단일 예제의 값과 공간 위치만 사용하여 각 그룹을 정규화하고 나머지 배치는 무시합니다.
그룹 정규화가 레이어 정규화가 되는 특별한 경우는 무엇입니까?
단일 그룹을 사용하면 모든 채널이 예별로 함께 정규화됩니다. 이것이 바로 레이어 정규화입니다.
그룹 정규화가 인스턴스 정규화가 되는 특별한 경우는 무엇입니까?
모든 그룹이 단일 채널을 보유하는 경우 각 채널은 예에 따라 자체적으로 정규화됩니다. 이것이 바로 인스턴스 정규화입니다.
정규화 후 표현 유연성을 복원하기 위해 그룹 규범은 무엇을 적용합니까?
다른 정규화 계층과 마찬가지로 Group Norm에는 학습 가능한 스케일 및 이동 매개변수가 포함되어 있어 네트워크가 필요에 따라 정규화를 실행 취소하거나 조정할 수 있습니다.