PANDUAN Asas
Pereputan Berat dan Penyelarasan L2
Pereputan berat ialah teknik mudah dan berkuasa yang mendorong berat model ke arah sifar semasa latihan, tidak menggalakkannya daripada terlalu bergantung pada mana-mana ciri tunggal.
Dengar panduan iniAI-diceritakan · ~2 min
Pada halaman ini2 min dibaca
Gambaran keseluruhan
Ia mengurangkan overfitting dan merupakan salah satu regularizer yang paling banyak digunakan dalam pembelajaran mendalam.
Menyelam dalam
Apabila model berlatih, ia boleh melekat pada hingar dalam data dengan menambahkan pemberat yang besar dan ditala halus yang sesuai dengan set latihan dengan sempurna tetapi tidak digeneralisasikan dengan baik. Regularisasi L2 melawan ini dengan menambahkan penalti yang berkadar dengan jumlah pemberat kuasa dua kepada fungsi kerugian. Pengoptimum kini mempunyai dua matlamat: muatkan data dan pastikan beratnya kecil, supaya penyelesaian yang lebih lancar dan mantap. Pereputan berat ialah idea yang berkait rapat untuk mengecilkan setiap berat dengan pecahan kecil pada setiap langkah kemas kini. Dengan keturunan kecerunan biasa kedua-duanya adalah setara secara matematik, tetapi dengan pengoptimum penyesuaian seperti Adam ia berbeza, itulah sebabnya AdamW diperkenalkan untuk menyahgandingkan pereputan daripada kemas kini berasaskan kecerunan dan menjadikannya berkelakuan dengan betul.
Pelaksanaan Dunia Sebenar
Menambah weight_decay dalam AdamW atau pengoptimum SGD PyTorch apabila melatih pengelas imej untuk membendung overfitting
Menala pekali lambda dalam regresi rabung, model linear klasik L2-penalized, untuk menstabilkan ramalan pada ciri berkorelasi
Resipi pralatihan model bahasa besar yang menetapkan pereputan berat yang kecil (selalunya sekitar 0.1) bersama jadual kadar pembelajaran
Menggabungkan pereputan berat badan dengan penambahan data dan keciciran untuk memastikan model pengimejan perubatan kecil daripada menghafal imbasan latihan terhad
Masa Depan Pereputan Berat dan Penyelarasan L2
Pereputan berat kekal sebagai bahan lalai dalam resipi latihan untuk model bahasa besar dan pengubah penglihatan, dan kini AdamW adalah pengoptimum standard untuk mereka. Penyelidikan diteruskan tentang cara pereputan berinteraksi dengan jadual kadar pembelajaran, lapisan normalisasi dan skala model, kerana kekuatan berkesannya berubah apabila model berkembang. Jangkakan penalaan pereputan yang lebih berprinsip, mungkin setiap lapisan atau berjadual apabila carian hiperparameter automatik dan kajian undang-undang penskalaan matang.
Mempraktikkannya
Mengapa ia penting
- Keputusan yang lebih jelas. Ia membantu anda memisahkan tuntutan teknikal yang jelas daripada bahasa pemasaran.
- Kos dan bajet. Anda boleh bertanya soalan pelaksanaan yang lebih baik sebelum menghabiskan wang atau masa.
- Pasukan dan aliran kerja. Pasukan yang berkongsi pemahaman membuat keputusan produk, dasar dan pembelajaran yang lebih baik.
Berhati-hati untuk
- Pasukan yang berbeza mungkin menggunakan istilah yang sama secara berbeza, jadi tentukan skop lebih awal.
- Penanda aras boleh kelihatan kukuh manakala prestasi dunia sebenar tidak sekata.
- Mengabaikan kualiti data dan rancangan penilaian sering menghasilkan hasil yang rapuh.
Langkah seterusnya
- Mulakan dengan definisi bahasa biasa hasil yang anda perlukan.
- Pilih satu metrik kejayaan dan satu keadaan kegagalan sebelum ujian.
- Jalankan juruterbang kecil dengan data perwakilan, bukan set demo yang digilap.
- Dokumen di mana Weight Decay dan L2 Regularization membantu dan kaedah yang lebih mudah adalah lebih baik.
Teruskan Meneroka
Newsletter percuma
Dapatkan taklimat AI harian
Tiga cerita AI yang disahkan setiap pagi hari bekerja, ditulis dalam Bahasa Inggeris biasa. Percuma selamanya, tiada iklan.
Satu e-mel setiap hari bekerja. Berhenti melanggan dalam satu klik. Kami tidak pernah menjual atau berkongsi alamat anda.
Uji diri anda
Take the Weight Decay and L2 Regularization quiz
Maklum balas segera pada setiap jawapan, dan sijil yang boleh dikongsi dengan ID yang boleh disahkan sebaik sahaja anda lulus kursus.
Sokong pendidikan AI percuma. AI Understanding ialah pertubuhan bukan keuntungan 501(c)(3) — tiada iklan, tiada bayaran dinding, selamanya. Buat derma
Soalan lazim
Apakah Pereputan Berat dan Penyelarasan L2?
Pereputan berat ialah teknik mudah dan berkuasa yang mendorong berat model ke arah sifar semasa latihan, tidak menggalakkannya daripada terlalu bergantung pada mana-mana ciri tunggal. Ia mengurangkan overfitting dan merupakan salah satu regularizer yang paling banyak digunakan dalam pembelajaran mendalam.
Apakah penyusunan L2 menambah kepada fungsi kehilangan?
Penyelarasan L2 menambah lambda kali ganda jumlah pemberat kuasa dua, menghukum pemberat besar dan menggalakkan penyelesaian yang lebih kecil dan lebih lancar.
Apakah masalah utama yang membantu mencegah pereputan berat badan?
Dengan mengekalkan berat yang kecil, pereputan berat tidak menggalakkan model daripada memasang bunyi bising, meningkatkan generalisasi kepada data baharu.
Ke arah manakah pereputan berat menolak pemberat model?
Pereputan berat mengecutkan pemberat ke arah sifar pada setiap kemas kini, itulah sebabnya ia kadangkala digambarkan sebagai 'mereput' pemberat.
Mengapa AdamW diperkenalkan?
Dalam Adam, lipatan L2 ke dalam kerugian berinteraksi dengan teruk dengan penskalaan setiap parameter; AdamW menggunakan pereputan secara berasingan untuk memulihkan pengecutan seragam yang dimaksudkan.
Untuk keturunan kecerunan stokastik biasa, bagaimanakah kaitan regularisasi L2 dan pereputan berat?
Dengan SGD biasa, penambahan penalti L2 pada kerugian menghasilkan kemas kini yang sama seperti pemberat mengecut secara langsung, jadi kedua-duanya adalah bersamaan.
Teruskan belajar
Panduan berkaitan
Lebih banyak panduan dipilih untuk topik ini