개요
Getting it right is often the single biggest lever for whether a model converges quickly and reaches high accuracy.
심층 분석
학습률은 최적화 프로그램이 각 업데이트를 수행하는 단계의 크기를 제어합니다. 너무 높으면 훈련이 다양해집니다. 너무 낮으면 기어 다니거나 갇히게 됩니다. 일정은 시간이 지남에 따라 이 값을 조정합니다. 일반적인 현대식 방법은 워밍업 후 감쇠입니다. 0 근처에서 시작하여 처음 수백 또는 수천 단계에 걸쳐 증가한 다음(초기에 시끄러운 그라데이션이 불안정한 가중치를 날려버리지 않음) 점차적으로 감소합니다. 널리 사용되는 붕괴 형태에는 단계적 붕괴(설정된 에포크에서 한 요인씩 감소), 지수적 붕괴 및 코사인 어닐링이 포함되며, 코사인 어닐링은 반코사인 곡선을 따라 0에 가깝게 부드럽게 이어집니다. 선형 준비가 포함된 코사인 일정은 이제 대규모 언어 모델 교육의 표준이며, 순환 및 단일 주기 정책은 소규모 모델 교육 속도를 높일 수 있습니다.
실제 구현
변환기 언어 모델을 사전 훈련할 때 사용되는 선형 워밍업과 코사인 붕괴.
ImageNet에서 이미지 분류기를 훈련할 때 에포크 30, 60, 90에서 학습 속도를 10배 낮추는 단계 붕괴입니다.
fast.ai의 단일 주기 정책은 매우 적은 시간 동안 모델을 높은 정확도로 훈련합니다.
웜 리스타트를 통한 코사인 어닐링을 통해 주기적으로 급격한 손실 최소값을 피하고 일반화를 개선합니다.
학습률 스케줄링의 미래
훈련 실행 비용이 증가함에 따라 일정은 최적화 프로그램 및 배치 크기와 함께 공동 설계되고 있으며 연구원들은 훈련 전에 최고의 최고 속도를 예측하기 위해 확장 법칙을 연구합니다. 붕괴 곡선을 미리 선택할 필요가 없는 일정 없는 최적화 프로그램이 인기를 얻고 있으며 실시간 손실 곡선에 반응하는 적응형 피드백 기반 일정은 여전히 대규모 교육을 지배하는 시행착오를 줄일 수 있습니다.
실천에 옮기기
왜 중요한가요?
- 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.
조심하세요
- 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.
다음 단계
- 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
무료 뉴스레터
일일 AI 브리핑 받기
매주 평일 아침마다 3개의 검증된 AI 스토리를 일반 영어로 작성합니다. 무료이며, 광고 없음.
매주 평일마다 한 번 이메일을 받습니다. 한 번 클릭으로 구독 해지. 주소를 판매하거나 공유하지 않습니다.
자신을 테스트해 보세요
Take the Learning Rate Scheduling quiz
모든 답변에 즉각적인 피드백과, 과정을 통과하면 검증 가능한 ID가 있는 공유 가능한 인증서를 제공합니다.
무료 AI 교육을 지원합니다. AI Understanding는 501(c)(3) 비영리 단체입니다 — 광고 없음, 유료 장벽 없음, 영원히. 기부하기
자주 묻는 질문
What is Learning Rate Scheduling?
학습률 일정은 고정된 상태로 유지하는 대신 훈련 중에 단계 크기를 변경합니다. 모델을 빠르게 수렴하고 높은 정확도에 도달하는지 여부를 결정하는 가장 큰 요인은 올바른 모델을 만드는 것입니다.
학습률 일정에서 '준비' 단계의 목적은 무엇인가요?
워밍업은 0 근처에서 시작하여 속도를 높여서 최적화 도구 통계가 확정되기 전에 불안정한 초기 업데이트가 모델을 불안정하게 만들지 않도록 합니다.
최소 비율을 향해 반코사인 곡선을 부드럽게 따라가는 일정은 무엇입니까?
코사인 어닐링은 절반 코사인 모양을 따라 학습 속도를 감소시켜 초기에 큰 단계를 제공하고 끝 부분에 작은 단계를 제공합니다.
학습률을 너무 높게 설정하면 어떻게 되나요?
지나치게 높은 비율은 오버슈팅을 유발하므로 손실이 안정되기보다는 튕겨 나가거나 폭발할 수 있습니다.
단계 붕괴는 학습률에 어떤 영향을 미치나요?
단계적 붕괴는 선택한 이정표에서 비율에 요소(예: 0.1)를 곱하여 계단 패턴을 생성합니다.
What does a warm restart do to a learning-rate schedule?
Warm restarts begin another learning-rate cycle at a higher value; they do not guarantee escape from a particular loss-landscape feature.