RMSNorm 및 사전 레이어 정규화
RMSNorm은 평균 제곱근으로 활성화 크기를 조정하는 경량 정규화 계층이며, 사전 계층 정규화는 각 하위 계층 뒤가 아닌 이전 단계에 배치됩니다.
개요
Together they make deep transformers train stably without warmup tricks.
심층 분석
Standard LayerNorm은 특징 벡터 전체에서 평균을 빼고 표준 편차로 나눈 다음 학습된 배율 및 이동을 적용합니다. 2019년 Zhang과 Sennrich가 도입한 RMSNorm은 평균 중심화와 편향을 완전히 삭제합니다. 즉, 단순히 각 벡터를 해당 요소의 평균 제곱근으로 나누고 학습된 기능별 이득을 곱합니다. 이렇게 하면 하나의 통계와 여러 작업이 제거되어 정확도를 일치시키면서 표준 계층의 컴퓨팅 성능이 약 10~50% 감소합니다. 이와 별도로 'Pre-LN' 배치(주변에 깨끗한 잔여 경로가 있는 주의/MLP 이전 표준)는 초기화 시 경사 크기를 제한하여 유지하므로 GPT-3, LLaMA 및 PaLM과 같은 모델은 원래 Post-LN 변환기에 필요한 학습 속도 준비 해킹 없이 학습됩니다.
기술적 통찰력
차원 d의 벡터 x에 대해 RMSNorm은 x_i * g_i / sqrt((1/d) * sum(x_j^2) + epsilon)을 계산합니다. 여기서 g는 학습된 이득 벡터입니다. 평균 뺄셈도 없고 편향도 없습니다. Pre-LN 블록의 잔여 스트림은 정규화를 우회하기 때문에 ID 경로는 그대로 유지되고 기울기는 출력에서 입력으로 직접 흐르므로 매우 깊은 스택이 수렴됩니다.
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.
RMSNorm 및 사전 레이어 정규화의 미래
RMSNorm은 이제 대부분의 개방형 LLM(LLaMA, Mistral, Qwen, Gemma)에서 기본값이므로 표준으로 유지될 것으로 예상됩니다. 연구에서는 레시피를 개선하고 있습니다. QK-norm은 주의 쿼리와 키에 RMSNorm을 적용하여 로짓 성장을 길들이고 일부 실험실에서는 사전 및 사후 표준('샌드위치' 또는 'peri-LN')을 결합하여 1조 매개변수 규모에서 추가 안정성을 제공합니다. 하드웨어 커널은 속도를 위해 작업을 계속 융합합니다.
실제 구현
LLaMA, Mistral 및 Qwen은 모두 LayerNorm을 RMSNorm으로 대체하여 모든 토큰의 추론 대기 시간을 줄입니다.
Pre-LN을 사용하면 2017 Post-LN 변환기에 필요한 학습 속도 준비 없이 GPT 스타일 모델을 학습할 수 있습니다.
QK 정규화는 주의 쿼리 및 키에 RMSNorm을 사용하여 대규모 모델에서 로짓이 폭발하는 것을 방지합니다.
평균과 편향을 삭제하면 메모리 트래픽이 줄어들기 때문에 모바일 및 에지 변환기는 RMSNorm을 채택합니다.
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 RMSNorm and Pre-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
레이어 정규화
자주 묻는 질문
What is RMSNorm and Pre-Layer Normalization?
RMSNorm은 평균 제곱근으로 활성화 크기를 조정하는 경량 정규화 계층이며, 사전 계층 정규화는 각 하위 계층 뒤가 아닌 이전 단계에 배치됩니다. 함께 그들은 워밍업 트릭 없이 딥 트랜스포머를 안정적으로 훈련시킵니다.
RMSNorm은 표준 LayerNorm과 비교하여 무엇을 생략합니까?
RMSNorm은 평균 계산 및 빼기를 건너뛰고 활성화의 평균 제곱근으로만 정규화합니다.
RMSNorm은 각 활성화 벡터를 몇 량으로 나눕니까?
RMSNorm은 제곱 요소 평균의 sqrt, 즉 제곱 평균 제곱으로 나눈 다음 학습된 이득을 적용합니다.
사후 레이어 정규화에 비해 사전 레이어 정규화의 주요 이점은 무엇입니까?
깨끗한 잔여 경로가 있는 각 하위 계층 앞에 표준을 배치하면 기울기 크기의 경계가 설정되어 학습 속도 준비가 필요하지 않습니다.
Pre-LN 블록에서 정규화 계층은 의도적으로 변경되지 않은 경로는 무엇입니까?
Pre-LN은 입력을 하위 레이어로 정규화하지만 잔여 지름길은 이를 우회하여 깨끗한 경사 고속도로를 유지합니다.
기본적으로 RMSNorm을 사용하는 최신 개방형 모델 제품군은 무엇입니까?
RMSNorm은 LLaMA, Mistral, Qwen, Gemma 및 최신 LLM의 표준 정규화가 되었습니다.