Trình tối ưu hóa Lookahead và Lion
Lookahead và Lion là hai bước đột phá hiện đại về tối ưu hóa mạng lưới thần kinh.
Tổng quan
Lookahead wraps any base optimizer with 'slow' and 'fast' weights for more stable progress, while Lion (EvoLved Sign Momentum) was discovered by an AI program search and updates weights using only the sign of a momentum term — making it memory-light and often faster than Adam.
Lặn sâu
Lookahead, do Zhang, Hinton và các đồng nghiệp đề xuất vào năm 2019, chạy một trình tối ưu hóa 'nhanh' tiêu chuẩn (như Adam hoặc SGD) cho k bước, sau đó đẩy một tập hợp trọng số 'chậm' riêng biệt một đoạn đường về phía kết thúc của trọng số nhanh. Điều này làm giảm dao động và giảm độ nhạy đối với các siêu tham số. Lion, do Google xuất bản vào năm 2023, ra đời từ việc tìm kiếm chương trình mang tính biểu tượng qua các thuật toán tối ưu hóa. Nó theo dõi động lượng nhưng áp dụng hàm dấu cho bản cập nhật, do đó mọi tham số sẽ di chuyển theo một kích thước bước cố định theo hướng dấu gradient tích lũy. Lion chỉ lưu trữ bộ đệm động lượng (một nửa trạng thái của Adam, giữ hai trạng thái), sử dụng mức giảm trọng lượng lớn hơn và tốc độ học tập nhỏ hơn, đồng thời đã sánh ngang hoặc đánh bại Adam trên các mô hình ngôn ngữ và tầm nhìn lớn trong khi đào tạo nhanh hơn và rẻ hơn.
Hiểu biết kỹ thuật
Cập nhật sắp tới: sau k bước nhanh tạo ra trọng số θ_fast, trọng số chậm di chuyển theo φ ← φ + α(θ_fast − φ), sau đó trình tối ưu hóa nhanh sẽ đặt lại về φ. Cập nhật Lion: m ← β1·m + (1−β1)·g cho phép nội suy, nhưng bước trọng số là θ ← θ − η·(dấu(β2·m + (1−β2)·g) + λθ). Thao tác ký hiệu làm cho cường độ cập nhật của mọi tọa độ trở nên thống nhất, hoạt động giống như một phép chuẩn hóa ngầm và giải thích tại sao Lion cần tốc độ học nhỏ hơn nhiều so với Adam.
Tác động chiến lược
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.
Tương lai của công cụ tối ưu hóa Lookahead và Lion
Lion đã được áp dụng trong một số đợt đào tạo quy mô lớn vì nó cắt giảm bộ nhớ tối ưu hóa và có thể tăng tốc độ hội tụ, đồng thời khám phá của nó cho thấy thuật toán tìm kiếm 'thiết kế AI' tự động như một nguồn lợi ích thực tế thực sự. Mong đợi nhiều trình tối ưu hóa dựa trên tìm kiếm hơn, các sơ đồ kết hợp kết hợp trọng số chậm kiểu Lookahead với các bản cập nhật dựa trên dấu hiệu và mối quan tâm ngày càng tăng đối với các trình tối ưu hóa hiệu quả bộ nhớ khi kích thước mô hình tiếp tục gây căng thẳng cho ngân sách bộ nhớ GPU.
Triển khai trong thế giới thực
Bao bọc Adam bằng Lookahead để ổn định việc huấn luyện máy biến áp và giảm nỗ lực điều chỉnh siêu tham số.
Sử dụng Lion để huấn luyện các mô hình tầm nhìn lớn (ví dụ: ViT) với bộ nhớ tối ưu hóa thấp hơn Adam.
Huấn luyện trước các mô hình ngôn ngữ với Lion để đạt được độ chính xác tương đương với chi phí tính toán giảm.
Kết hợp Lookahead với SGD trong các tác nhân học tăng cường để xử lý các cập nhật chính sách ồn ào.
Rủi ro & lan can
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.
Lộ trình thực hiện
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
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 Lookahead and Lion Optimizers 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
Hướng dẫn tiếp theo
Trình tối ưu hóa trạng thái tải xuống CPU và NVMe
Câu hỏi thường gặp
What is Lookahead and Lion Optimizers?
Lookahead và Lion là hai bước đột phá hiện đại về tối ưu hóa mạng lưới thần kinh. Lookahead bao bọc bất kỳ trình tối ưu hóa cơ sở nào với các trọng số 'chậm' và 'nhanh' để có tiến trình ổn định hơn, trong khi Lion (EvoLved Sign Momentum) được phát hiện bởi một chương trình tìm kiếm AI và cập nhật các trọng số chỉ bằng cách sử dụng dấu của thuật ngữ động lượng — làm cho nó nhẹ về bộ nhớ và thường nhanh hơn Adam.
Bước tính toán xác định trong bản cập nhật trọng lượng của trình tối ưu hóa Lion là gì?
Lion áp dụng hàm dấu cho một số hạng động lượng được nội suy, do đó mọi tham số sẽ di chuyển một bước đều theo hướng dấu của gradient.
Lookahead cấu trúc tối ưu hóa nó như thế nào?
Lookahead chạy trình tối ưu hóa nhanh bên trong trong k bước, sau đó di chuyển các trọng số chậm một phần hướng tới các trọng số nhanh và đặt lại.
Trình tối ưu hóa Lion ban đầu được phát hiện như thế nào?
Lion (EvoLved Sign Momentum) xuất hiện từ một quy trình tìm kiếm chương trình nhằm phát triển và đánh giá các chương trình tối ưu hóa ứng viên.
So với Adam, lợi thế về trí nhớ chính của Lion là gì?
Adam theo dõi cả khoảnh khắc đầu tiên và thứ hai; Lion chỉ giữ một bộ đệm động lượng duy nhất, giảm gần một nửa bộ nhớ trạng thái tối ưu hóa.
Tại sao Lion thường yêu cầu tốc độ học tập nhỏ hơn Adam?
Vì hàm dấu cố định độ lớn của mỗi lần cập nhật tọa độ, nên bước hiệu quả là lớn, do đó tốc độ học nhỏ hơn (và phân rã trọng số lớn hơn) được sử dụng.