Lịch trình khởi động và ủ Cosine
Khởi động nhẹ nhàng tăng tốc độ học tập lên từ gần 0 trước khi đào tạo, sau đó quá trình ủ cosine sẽ giảm tốc độ học tập xuống theo đường cong cosine.
Tổng quan
Chúng cùng nhau ổn định quá trình huấn luyện ban đầu và đạt được độ chính xác cuối cùng tốt hơn, đó là lý do tại sao gần như mọi máy biến áp hiện đại đều được huấn luyện theo cách này.
Lặn sâu
Khi quá trình đào tạo bắt đầu, trọng số mô hình là ngẫu nhiên và độ dốc có thể rất lớn, do đó, việc chuyển thẳng sang tốc độ học tập lớn thường gây ra sự mất mát đột biến hoặc phân kỳ — đặc biệt là với các trình tối ưu hóa thích ứng như Adam, người có ước tính phương sai không đáng tin cậy trong những bước đầu tiên. Khởi động khắc phục điều này bằng cách tăng tuyến tính tốc độ từ vài trăm đến vài nghìn bước. Khi mô hình đã ở trạng thái ổn định, quá trình ủ cosine sẽ diễn ra, tốc độ giảm dần thành 0,5 * (1 + cos(pi * t / T)) của đỉnh của nó. Hình dạng cosine giữ tốc độ cao sớm để tiến triển nhanh, sau đó giảm dần để trình tối ưu hóa có thể ổn định ở mức tối thiểu tốt thay vì nảy xung quanh nó.
Hiểu biết kỹ thuật
Quá trình ủ cosine chia tỷ lệ học lên 0,5 * (1 + cos(pi * t / T)), trong đó t là bước hiện tại và T là tổng số. Quá trình này diễn ra trong một thời gian dài gần tốc độ cực đại, phân rã nhanh nhất ở phần giữa, sau đó phẳng dần về gần 0 ở cuối - không giống như phân rã tuyến tính thẳng. Khởi động thường là tuyến tính và ngắn. Đường cong kết hợp trông giống như một ngọn đồi bằng phẳng: đi lên, bằng phẳng, sau đó lướt nhẹ đến gần như bằng không.
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 lịch trình khởi động và ủ Cosine
Warmup-plus-cosine vẫn là công thức mặc định cho các mô hình ngôn ngữ lớn, nhưng các biến thể đang lan rộng. Khởi động-ổn định-phân rã (WSD) giữ tốc độ không đổi sau đó giảm mạnh ở cuối, giúp bạn dễ dàng kéo dài thời gian chạy mà không cần phải quay lại một độ dài cố định. Các nhà nghiên cứu cũng đang nghiên cứu lý do tại sao quá trình khởi động lại có hiệu quả — liên kết nó với độ nhiễu gradient và độ cong mất cảnh quan — và các công cụ ngày càng tự động điều chỉnh độ dài khởi động và tốc độ tối đa, giảm thiểu việc thử và sai thủ công đang phổ biến hiện nay.
Triển khai trong thế giới thực
Các mô hình ngôn ngữ kiểu GPT và kiểu BERT sử dụng khởi động tuyến tính trong khoảng ~1-2% bước đầu tiên, sau đó là phân rã cosin đến gần bằng 0.
Máy biến áp tầm nhìn (ViT) huấn luyện với quá trình ủ cosine và khởi động ngắn để tránh sự phân kỳ sớm trên ImageNet.
Hugging Face Transformers cung cấp `get_cosine_schedule_with_warmup` làm công cụ lên lịch một dòng cho các công việc tinh chỉnh.
Khuếch tán ổn định và các mô hình khuếch tán khác tinh chỉnh quá trình khởi động để ngăn chặn hiện tượng bùng nổ độ dốc khi điều chỉnh trọng lượng đã được huấn luyện trước.
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 Warmup and Cosine Annealing Schedules 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
Giảm thiểu độ sắc nét-nhận thức
Câu hỏi thường gặp
Lịch trình khởi động và ủ Cosine là gì?
Khởi động nhẹ nhàng tăng tốc độ học tập lên từ gần 0 trước khi đào tạo, sau đó quá trình ủ cosine sẽ giảm tốc độ học tập xuống theo đường cong cosine. Chúng cùng nhau ổn định quá trình huấn luyện sớm và đạt được độ chính xác cuối cùng tốt hơn, đó là lý do tại sao gần như mọi máy biến áp hiện đại đều được huấn luyện theo cách này.
Mục đích chính của giai đoạn khởi động khi bắt đầu tập luyện là gì?
Bắt đầu với tốc độ học tập lớn trên các trọng số ngẫu nhiên có thể gây ra tổn thất tăng đột biến hoặc phân kỳ, vì vậy, quá trình khởi động sẽ tăng tốc độ lên một cách nhẹ nhàng để giữ cho các bước đầu ổn định.
Ủ cosine làm giảm tốc độ học theo hình dạng nào?
Tỷ lệ này được chia tỷ lệ 0,5 * (1 + cos(pi * t / T)), tạo ra một ngọn đồi bằng phẳng luôn ở trên cao sớm và lướt về gần bằng 0 ở cuối.
Trình tối ưu hóa nào đặc biệt được hưởng lợi từ quá trình khởi động vì các ước tính phương sai của nó ban đầu không đáng tin cậy?
Ước tính phương sai đang chạy của Adam dựa trên rất ít mẫu trong các bước đầu tiên, khiến cho kích thước bước hiệu quả trở nên thất thường — việc khởi động sẽ giảm thiểu điều này.
Trong công thức cosine, T đại diện cho cái gì?
T là khoảng mà tốc độ giảm dần từ đỉnh tới gần bằng 0; t là bước hiện tại trong chân trời đó.
Một lợi thế của biến thể khởi động-ổn định-phân rã (WSD) so với cosine có độ dài cố định là gì?
WSD giữ tốc độ không đổi sau đó phân rã mạnh ở cuối, do đó bạn có thể giữ giai đoạn ổn định kéo dài hơn và quyết định điểm dừng sau đó.