레이어 정규화
레이어 정규화는 평균과 단위 분산이 0이 되도록 각 개별 예제 내의 활성화 크기를 다시 조정하여 훈련을 안정화합니다.
개요
It is a quiet but essential ingredient that makes deep transformers trainable.
심층 분석
2016년 Ba, Kiros, Hinton이 도입한 레이어 정규화(LayerNorm)는 신호가 여러 레이어를 통과할 때 심층 네트워크 내부의 활성화가 크게 다른 규모로 표류하여 학습을 느리게 하거나 불안정하게 할 수 있는 문제를 해결합니다. 미니 배치의 예제 전체에서 각 기능을 정규화하는 배치 정규화와 달리 LayerNorm은 단일 예제의 기능 전체에서 정규화합니다. 이를 통해 배치 크기에 독립적이고 교육 및 추론에 동일하게 사용할 수 있으며 가변 길이 시퀀스와 자연스럽게 작동하므로 현대 언어 모델을 지원하는 변환기의 표준이 되었습니다. 정규화 후에는 학습 가능한 척도(감마)와 이동(베타)을 적용하여 네트워크가 필요한 표현을 복구할 수 있습니다.
기술적 통찰력
특징 벡터 x의 경우 LayerNorm은 해당 벡터 요소에 대한 평균과 분산을 계산한 다음 감마 * (x - 평균) / sqrt(분산 + 엡실론) + 베타를 출력합니다. 통계는 단일 샘플에서 나오므로 배치에 예제가 1개든 1000개든 상관없이 동작은 동일합니다. 더 간단한 변형인 RMSNorm은 평균 빼기를 건너뛰고 평균 제곱근으로만 나누어 계산을 절약합니다. Llama와 같은 모델에 사용됩니다. 배치도 중요합니다. '사전 규범'(각 하위 계층 이전에 정규화)을 사용하면 심층 변환기를 '사후 규범'보다 훨씬 쉽게 훈련할 수 있습니다.
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.
레이어 정규화의 미래
규모에 따른 효율성을 위해 정규화가 간소화되고 있습니다. RMSNorm은 더 저렴하고 잘 작동하기 때문에 최신 대규모 언어 모델에서 LayerNorm을 대체했으며, 사전 표준 배치는 이제 매우 깊은 스택의 기본값입니다. 연구자들은 정규화가 제공하는 교육 안정성을 유지하면서 오버헤드를 줄이는 것을 목표로 신중한 초기화 또는 확장 트릭을 사용하는 정규화 없는 아키텍처를 계속 탐색하고 있습니다.
실제 구현
GPT 및 BERT와 같은 언어 모델의 모든 변환기 블록을 안정화합니다.
Llama 제품군 모델 내에서 더 가벼운 정규화 선택으로 RMSNorm을 활성화합니다.
배치 크기가 다른 음성 및 번역 모델에서 가변 길이 시퀀스 데이터를 정규화합니다.
일부 강화 학습 설정과 같이 배치 크기가 1인 안정적인 교육을 허용합니다.
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 Layer 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
What is Layer Normalization?
레이어 정규화는 평균과 단위 분산이 0이 되도록 각 개별 예제 내의 활성화 크기를 다시 조정하여 훈련을 안정화합니다. 딥 트랜스포머를 훈련 가능하게 만드는 조용하지만 필수적인 요소입니다.
레이어 정규화는 무엇을 통해 평균과 분산을 계산합니까?
LayerNorm은 하나의 개별 샘플의 피처 차원에 대해 정규화하여 배치의 다른 예제와 독립적으로 만듭니다.
변환기에서 배치 정규화보다 레이어 정규화가 선호되는 이유는 무엇입니까?
통계가 단일 예제에서 나오므로 LayerNorm은 배치 크기에 관계없이 일관되게 작동하며 가변 길이 텍스트 시퀀스에 적합합니다.
학습 가능한 매개변수 감마와 베타를 통해 LayerNorm은 무엇을 할 수 있나요?
평균 및 단위 분산을 0으로 정규화한 후 감마 척도 및 베타는 결과를 이동하므로 모델이 고정된 분포로 강요되지 않습니다.
RMSNorm은 표준 LayerNorm과 어떻게 다릅니까?
RMSNorm은 평균 중심화 단계를 생략하고 활성화의 평균 제곱근으로 확장합니다. 이는 더 저렴하고 Llama와 같은 모델에 사용됩니다.
계층 정규화는 주로 심층 네트워크에서 어떤 문제를 해결하는 데 도움이 됩니까?
신호가 여러 레이어를 통과함에 따라 신호의 규모가 커지거나 줄어들 수 있습니다. 정규화는 활성화를 안정적인 범위로 유지하므로 그래디언트가 잘 작동합니다.