VolgendeVolgende gids
Hoe je een jetlag kunt verslaan met een AI-schema
Toepassingen
Technische GIDS
Met de warming-up wordt het leertempo voorzichtig verhoogd vanaf bijna nul vóór de training, waarna cosinus-gloeien het leerproces soepel weer laat afnemen volgens een cosinus-curve.
Luister naar deze gidsAI-verteld · ~2 min
Samen stabiliseren ze de vroege training en zorgen ze voor een betere eindnauwkeurigheid. Daarom wordt bijna elke moderne transformator op deze manier getraind.
Wanneer de training begint, zijn de modelgewichten willekeurig en kunnen de gradiënten enorm zijn, dus als je meteen naar een hoog leertempo gaat, veroorzaakt dit vaak verliespieken of divergentie – vooral bij adaptieve optimizers zoals Adam, wiens variantieschattingen in de eerste stappen onbetrouwbaar zijn. Warmup lost dit op door de snelheid lineair te verhogen over een paar honderd tot een paar duizend stappen. Zodra het model stabiel staat, neemt cosinus-gloeien het over, waardoor de snelheid afneemt tot 0,5 * (1 + cos (pi * t / T)) van de piek. De cosinusvorm houdt de snelheid vroeg hoog voor snelle vooruitgang, en neemt vervolgens geleidelijk af, zodat de optimizer zich op een goed minimum kan vestigen in plaats van er omheen te stuiteren.
Taalmodellen in GPT-stijl en BERT-stijl gebruiken een lineaire opwarming gedurende de eerste ~1-2% van de stappen, gevolgd door cosinusverval tot bijna nul.
Visietransformatoren (ViT) trainen met cosinus-gloeien en een korte opwarming om vroegtijdige divergentie op ImageNet te voorkomen.
Hugging Face Transformers biedt `get_cosine_schedule_with_warmup` als een éénregelige planner voor het verfijnen van taken.
Stabiele diffusie- en andere diffusiemodellen worden nauwkeurig afgesteld met opwarming om gradiëntexplosies te voorkomen bij het aanpassen van vooraf getrainde gewichten.
Warmup-plus-cosinus blijft het standaardrecept voor grote taalmodellen, maar varianten verspreiden zich. Warmup-stable-decay (WSD) houdt een constante snelheid aan en vervalt vervolgens scherp aan het einde, waardoor het gemakkelijk wordt om runs uit te breiden zonder opnieuw een vaste lengte vast te leggen. Onderzoekers bestuderen ook waarom de opwarming werkt – door dit te koppelen aan gradiëntruis en verlies-landschapskromming – en tools stemmen de opwarmlengte en pieksnelheid steeds vaker automatisch af, waardoor het handmatige vallen en opstaan dat tegenwoordig domineert, wordt verminderd.
Gratis nieuwsbrief
Drie verifieerde AI-verhalen elke weekdagmorgen, geschreven in eenvoudig Engels. Gratis voor altijd, geen advertenties.
Eén e-mail elke weekdag. Afmelden met één klik. We verkopen of delen je adres nooit.
Test jezelf
Directe feedback op elke antwoord, en een deelbare certificaat met een verifieerbare ID zodra je een cursus hebt afgerond.
Ondersteun gratis AI-onderwijs. AI Understanding is een 501(c)(3) non-profit — geen advertenties, geen betaalmuur, nooit. Doe een donatie
Met de warming-up wordt het leertempo voorzichtig verhoogd vanaf bijna nul vóór de training, waarna cosinus-gloeien het leerproces soepel weer laat afnemen volgens een cosinus-curve. Samen stabiliseren ze de vroege training en zorgen ze voor een betere eindnauwkeurigheid. Daarom wordt bijna elke moderne transformator op deze manier getraind.
Beginnen met een hoog leertempo op willekeurige gewichten kan verliespieken of divergentie veroorzaken, dus bij het opwarmen wordt het tempo langzaam opgevoerd om de eerste stappen stabiel te houden.
De snelheid wordt geschaald met 0,5 * (1 + cos(pi * t / T)), waardoor een gladde heuvel ontstaat die vroeg hoog blijft en aan het eind naar bijna nul glijdt.
Adams schattingen van de lopende variantie zijn gebaseerd op zeer weinig steekproeven in de eerste stappen, waardoor de effectieve stapgrootte grillig is; de opwarming verzacht dit.
T is de horizon waarover de snelheid vervalt van de piek naar bijna nul; t is de huidige stap binnen die horizon.
The guide describes a short linear warmup followed by cosine annealing.
Blijf leren
Er zijn meer handleidingen voor dit onderwerp geselecteerd
VolgendeVolgende gids
Hoe je een jetlag kunt verslaan met een AI-schema
Toepassingen