Tiếp theoHướng dẫn tiếp theo
Tinh chỉnh cốt thép với máy chấm điểm
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Điều chỉnh siêu tham số
Siêu tham số là các cài đặt bạn chọn trước khi đào tạo, như tốc độ học tập hoặc kích thước mô hình, mà mô hình không tự học.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Tuning them well is often the difference between a mediocre model and a great one.
Lặn sâu
Các tham số mô hình (trọng số) được học từ dữ liệu trong quá trình đào tạo. Siêu tham số thì khác: chúng là các nút bạn đặt trước để chi phối cách quá trình học tập diễn ra, chẳng hạn như tốc độ học tập, kích thước lô, số lớp, cường độ chính quy hóa và thời gian đào tạo. Chúng không thể được tối ưu hóa trực tiếp bằng cách giảm độ dốc, vì vậy bạn tìm kiếm các giá trị tốt bằng cách đào tạo nhiều mô hình ứng cử viên và so sánh chúng trên một bộ xác thực. Cách tiếp cận đơn giản nhất là tìm kiếm theo lưới, thử mọi kết hợp trên một lưới được xác định trước, nhưng nó có quy mô rất lớn. Tìm kiếm ngẫu nhiên thường tìm thấy cài đặt tốt nhanh hơn bằng cách kết hợp lấy mẫu. Tối ưu hóa Bayes nâng cao hơn sẽ xây dựng một mô hình xác suất trong đó các cài đặt có vẻ hứa hẹn và tập trung tìm kiếm vào đó. Tốc độ học tập thường là siêu tham số có tác động mạnh nhất để đạt được kết quả đúng.
Triển khai trong thế giới thực
Quét tốc độ học theo nhiều bậc độ lớn để tìm giá trị trong đó mạng đào tạo nhanh mà không bị phân kỳ.
Sử dụng tìm kiếm ngẫu nhiên để điều chỉnh độ sâu của cây, số lượng cây và tốc độ học tập cho mô hình tăng cường độ dốc trên dữ liệu dạng bảng.
Chạy tối ưu hóa Bayesian để cùng điều chỉnh cường độ chính quy hóa và kích thước lô cho mạng sâu với ngân sách GPU hạn chế.
Áp dụng Hyperband để huấn luyện hàng chục cấu hình trong thời gian ngắn, sau đó chỉ đưa ra nhiều kỷ nguyên hơn cho những người sống sót có triển vọng nhất.
Tương lai của việc điều chỉnh siêu tham số
Điều chỉnh thủ công và dựa trên lưới đang nhường chỗ cho máy học tự động (AutoML) và tìm kiếm thông minh hơn như tối ưu hóa Bayesian và Hyperband, sử dụng tính toán hiệu quả hơn nhiều. Khi các mô hình nền tảng phát triển, việc đào tạo lại toàn bộ cho mỗi lần dùng thử trở nên cực kỳ tốn kém, do đó, sự chú ý đang chuyển sang các proxy rẻ hơn, luật mở rộng quy mô dự đoán cài đặt tốt từ các lần chạy nhỏ và điều chỉnh bộ điều hợp nhẹ thay vì toàn bộ mô hình. Dự kiến việc điều chỉnh sẽ ngày càng trở nên tự động hóa và phù hợp với ngân sách hơn, với các công cụ đánh đổi rõ ràng chi phí tìm kiếm với lợi nhuận dự kiến.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Chi phí và ngân sách. Các quyết định về kiến trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
- Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
- Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.
coi chừng
- Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
- Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
- Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.
Các bước tiếp theo
- Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
- Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
- Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
- Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Hyperparameter Tuning quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
What is Hyperparameter Tuning?
Siêu tham số là các cài đặt bạn chọn trước khi đào tạo, như tốc độ học tập hoặc kích thước mô hình, mà mô hình không tự học. Điều chỉnh chúng tốt thường là sự khác biệt giữa một mô hình tầm thường và một mô hình tuyệt vời.
Điều gì phân biệt siêu tham số với tham số mô hình thông thường?
Trọng số (tham số) được học từ dữ liệu trong quá trình đào tạo. Các siêu tham số, như tốc độ học tập hoặc số lớp, được chọn trước và kiểm soát quá trình đào tạo diễn ra.
Siêu tham số nào thường được coi là siêu tham số có tác động mạnh nhất đến việc điều chỉnh học sâu?
Tốc độ học ảnh hưởng mạnh mẽ đến việc mô hình có hội tụ nhanh hay không và nhanh như thế nào. Quá cao và đào tạo phân kỳ; quá thấp và nó bò hoặc bị kẹt.
Tại sao tìm kiếm ngẫu nhiên thường tốt hơn tìm kiếm dạng lưới để điều chỉnh siêu tham số?
Tìm kiếm dạng lưới lãng phí các thử nghiệm trên các kích thước không quan trọng. Tìm kiếm ngẫu nhiên khám phá không gian hiệu quả hơn và thường đạt được cấu hình tốt với ít lần thử hơn.
Tối ưu hóa Bayes chọn cấu hình siêu tham số nào để thử tiếp theo như thế nào?
Tối ưu hóa Bayes mô hình hóa mối quan hệ giữa cấu hình và điểm xác thực, sau đó chọn thử nghiệm tiếp theo để cân bằng việc khám phá các khu vực chưa chắc chắn với việc khai thác các khu vực có triển vọng.
Tại sao tập kiểm tra cuối cùng phải được giữ nguyên trong quá trình điều chỉnh siêu tham số?
Việc điều chỉnh sẽ chọn các cài đặt phù hợp nhất với bất kỳ dữ liệu nào bạn đánh giá. Nếu đó là tập kiểm tra thì hiệu suất được báo cáo của bạn sẽ tăng cao. Thay vào đó, việc điều chỉnh sử dụng một bộ xác thực riêng.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này