Tiếp theoHướng dẫn tiếp theo
Điểm kiểm tra độ dốc
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Độ dốc biến mất và bùng nổ
Khi huấn luyện mạng sâu, tín hiệu lỗi giảm dần về 0 hoặc tăng dần về phía vô cực khi chúng truyền ngược qua nhiều lớp.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Điều này làm cho các mô hình sâu và lặp lại trở nên chậm hoặc không thể huấn luyện nếu không có các bản sửa lỗi cụ thể.
Lặn sâu
Mạng lưới thần kinh học thông qua lan truyền ngược, nhân các độ dốc theo từng lớp bằng cách sử dụng quy tắc chuỗi. Khi bạn xếp chồng nhiều lớp, các hệ số trên mỗi lớp đó sẽ được nhân với nhau. Nếu mỗi hệ số luôn nhỏ hơn 1 thì sản phẩm sẽ co lại theo cấp số nhân và các lớp đầu tiên hầu như không cập nhật - vấn đề biến mất độ dốc. Nếu mỗi hệ số lớn hơn 1, sản phẩm sẽ bùng nổ, tạo ra các bản cập nhật hoặc giá trị NaN không ổn định. Các kích hoạt bão hòa như sigmoid và tanh, có đạo hàm tối đa là 0,25 và 1, là thủ phạm kinh điển. Vấn đề nghiêm trọng nhất là ở các mạng tiếp liệu sâu và trong các mạng tái phát (RNN) xử lý các chuỗi dài, trong đó cùng một ma trận trọng số được áp dụng lại ở mỗi bước thời gian, làm tăng hiệu ứng lên đáng kể.
Triển khai trong thế giới thực
Các mô hình ngôn ngữ RNN ban đầu gặp khó khăn trong việc kết nối các từ trong các câu dài vì độ dốc biến mất theo nhiều dấu thời gian, thúc đẩy LSTM và GRU.
ResNet cho phép đào tạo hơn 100 bộ phân loại hình ảnh lớp bằng cách thêm các kết nối bỏ qua để cung cấp cho các gradient một đường dẫn ngược trực tiếp, không bị pha loãng.
Một nhà phát triển nhận thấy sự mất mát trong quá trình đào tạo đột nhiên trở thành NaN - một dấu hiệu nhận biết về sự bùng nổ của độ dốc - và thêm tính năng cắt độ dốc để ổn định nó.
Các công cụ giám sát trong PyTorch hoặc TensorFlow vẽ biểu đồ định mức độ dốc trên mỗi lớp để các kỹ sư có thể phát hiện lớp có độ dốc đã giảm xuống gần bằng 0.
Tương lai của độ dốc biến mất và bùng nổ
Các biện pháp giảm nhẹ cốt lõi — kết nối dư (bỏ qua), chuẩn hóa, chọn cổng và khởi tạo cẩn thận — hiện đã trở thành tiêu chuẩn, do đó, việc biến đổi độ dốc hiếm khi cản trở việc đào tạo các kiến trúc hiện đại. Máy biến áp hoàn toàn tránh được việc kết hợp lặp lại bằng cách tập trung vào một chuỗi thay vì lặp đi lặp lại việc áp dụng lại một ma trận. Nghiên cứu tiếp tục trên các mạng huấn luyện sâu hàng nghìn lớp, trên các mô hình bối cảnh rất dài ổn định và trên các công cụ lý thuyết như nhân tiếp tuyến thần kinh dự đoán sự truyền tín hiệu trước khi chạy một bước huấn luyện.
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 Vanishing and Exploding Gradients 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
Độ dốc biến mất và bùng nổ là gì?
Khi huấn luyện mạng sâu, tín hiệu lỗi giảm dần về 0 hoặc tăng dần về phía vô cực khi chúng truyền ngược qua nhiều lớp. Điều này làm cho các mô hình sâu và lặp lại trở nên chậm hoặc không thể huấn luyện nếu không có các bản sửa lỗi cụ thể.
Phép toán nào trong lan truyền ngược là nguyên nhân sâu xa của sự biến mất và bùng nổ độ dốc?
Lan truyền ngược áp dụng quy tắc dây chuyền, nhân nhiều hệ số trên mỗi lớp với nhau; tích của giá trị dưới 1 biến mất và tích trên 1 bùng nổ.
Why can sigmoid or tanh units contribute to vanishing gradients when they are saturated?
Sigmoid and tanh derivatives can be small in saturated regions; repeated multiplication across depth or time can shrink early-layer gradients.
Kiến trúc nào bị ảnh hưởng nặng nề nhất bởi các vấn đề về độ dốc trên các chuỗi dài?
RNN áp dụng lại cùng một ma trận trọng số hồi quy ở mỗi dấu thời gian, do đó, qua một chuỗi dài, hiệu ứng kết hợp như giá trị riêng của ma trận đó sẽ tăng lên theo độ dài chuỗi.
Nhìn thấy việc đào tạo đột nhiên biến thành NaN rất có thể chỉ ra vấn đề gì?
Độ dốc bùng nổ tạo ra các bản cập nhật khổng lồ tràn đến vô cực hoặc NaN; thay vào đó, độ dốc biến mất khiến cho sự mất mát bị đình trệ.
Làm thế nào để các kết nối còn lại (bỏ qua) giúp giảm độ dốc?
Bỏ qua các kết nối sẽ thêm một đường dẫn nhận dạng để độ dốc có thể chảy ngược mà không bị suy giảm nhiều lần bởi các lớp trung gian.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này