Tiếp theoHướng dẫn tiếp theo
Trung bình trọng số ngẫu nhiên
kỹ thuật
HƯỚNG DẪN KỸ THUẬT
Khởi tạo trọng lượng
Cách bạn đặt trọng số ban đầu của mạng thần kinh trước khi quá trình đào tạo bắt đầu, điều này quyết định rõ ràng liệu tín hiệu và độ dốc có ổn định qua các lớp sâu hay không.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Good initialization is the difference between fast convergence and a model that never learns.
Lặn sâu
Trước khi tập luyện, mỗi mức tạ cần có giá trị khởi điểm. Đặt tất cả chúng về 0 là điều tai hại: các trọng số giống nhau tạo ra độ dốc giống hệt nhau, do đó các nơ-ron không bao giờ phân biệt được - đây là vấn đề phá vỡ đối xứng. Khởi tạo ngẫu nhiên phá vỡ tính đối xứng, nhưng quy mô rất quan trọng. Quá lớn và kích hoạt và độ dốc sẽ bùng nổ; quá nhỏ và chúng biến mất. Các sơ đồ nguyên tắc chọn phương sai dựa trên kích thước lớp để giữ phương sai tín hiệu gần như không đổi giữa các lớp. Việc khởi tạo Xavier (Glorot) chia tỷ lệ phương sai theo số lượng đơn vị đầu vào cộng với đầu ra và phù hợp với mạng tanh và sigmoid. Việc khởi tạo của anh ấy (Kaiming) chia tỷ lệ theo số lượng đầu vào và tính đến việc ReLU loại bỏ một nửa số đầu vào của nó, biến nó thành tiêu chuẩn cho các mạng sâu và CNN dựa trên ReLU. Khả năng khởi tạo tốt giúp quá trình đào tạo ban đầu ổn định cho đến khi quá trình chuẩn hóa và tối ưu hóa thích ứng tiếp quản.
Triển khai trong thế giới thực
Một CNN sử dụng kích hoạt ReLU được khởi tạo với quá trình khởi tạo He để các ngăn xếp tích chập sâu hoạt động mà không có tín hiệu biến mất.
Mạng có kích hoạt tanh sử dụng khởi tạo Xavier để giữ cho phương sai kích hoạt ổn định giữa các lớp.
Một kỹ sư vô tình khởi tạo tất cả các trọng số về 0 sẽ thấy mạng không thể học vì mọi nơ-ron vẫn giống hệt nhau.
Các giá trị mặc định của khung (đồng phục Kaiming của PyTorch, đồng phục Glorot của Keras) tự động áp dụng khởi tạo nguyên tắc khi một lớp được tạo.
Tương lai của việc khởi tạo trọng lượng
Các lớp chuẩn hóa và các kết nối còn lại đã khiến việc đào tạo ít nhạy cảm hơn với việc khởi tạo chính xác, nhưng nó vẫn quan trọng đối với các mạng rất sâu hoặc không chuẩn hóa. Nghiên cứu tích cực bao gồm các sơ đồ phù hợp với máy biến áp và sự chú ý, các phương pháp cho phép mạng huấn luyện mà không cần bất kỳ lớp chuẩn hóa nào và lý thuyết như phép đo đẳng cự động và hạt nhân tiếp tuyến thần kinh dự đoán khả năng huấn luyện chỉ từ quá trình khởi tạo. Khởi tạo phụ thuộc vào dữ liệu, hiệu chỉnh thang đo từ một lô mẫu, là một hướng phát triển khác.
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 Weight Initialization 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 Weight Initialization?
Cách bạn đặt trọng số ban đầu của mạng thần kinh trước khi quá trình đào tạo bắt đầu, điều này quyết định rõ ràng liệu tín hiệu và độ dốc có ổn định qua các lớp sâu hay không. Khởi tạo tốt là sự khác biệt giữa hội tụ nhanh và mô hình không bao giờ học hỏi.
Tại sao việc khởi tạo tất cả các trọng số về 0 lại là một sai lầm nghiêm trọng?
Với các trọng số giống nhau, mỗi nơ-ron tính toán cùng một đầu ra và độ dốc, do đó chúng cập nhật giống hệt nhau và lớp không bao giờ có thể học được các tính năng riêng biệt.
Việc khởi tạo của Anh ấy (Kaiming) được thiết kế đặc biệt cho chức năng kích hoạt nào?
Anh ấy chia tỷ lệ khởi tạo phương sai theo 2 / fan_in để bù cho việc ReLU loại bỏ khoảng một nửa số đầu vào của nó.
Mục tiêu chính của các chương trình khởi tạo trọng lượng theo nguyên tắc là gì?
Các sơ đồ như Xavier và He chọn phương sai trọng số từ kích thước lớp để tín hiệu không biến mất cũng như không bùng nổ khi chúng truyền đi.
Khởi tạo Xavier (Glorot) phù hợp nhất cho các mạng sử dụng kích hoạt nào?
Xavier cân bằng phương sai tiến và lùi để kích hoạt đối xứng, bão hòa như tanh và sigmoid.
Tại sao quá trình khởi tạo He sử dụng phương sai 2 / fan_in thay vì 1 / fan_in?
ReLU chỉ truyền đầu vào dương, loại bỏ khoảng một nửa tín hiệu, do đó, việc nhân đôi phương sai sẽ khôi phục phương sai kích hoạt dự kiến.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này