Imọ Itọsọna
Ibẹrẹ iwuwo
Bii o ṣe ṣeto awọn iwọn ibẹrẹ ti nẹtiwọọki nkankikan ṣaaju ikẹkọ bẹrẹ, eyiti o ṣe apẹrẹ ni agbara boya awọn ifihan agbara ati awọn gradients wa ni ilera nipasẹ awọn ipele ti o jinlẹ.
Gbọ si itọsọna yiiAI-ṣe afihan · ~2 min
Lori iwe yi2 min ka
Akopọ
Good initialization is the difference between fast convergence and a model that never learns.
Jin Dive
Ṣaaju ikẹkọ, gbogbo iwuwo nilo iye ibẹrẹ. Ṣiṣeto gbogbo wọn si odo jẹ apaniyan: awọn iwuwo kanna ṣe agbejade awọn gradients kanna, nitorinaa awọn neuron kii ṣe iyatọ - eyi ni iṣoro-kikan-simemetry. Ipilẹṣẹ laileto fọ symmetry, ṣugbọn iwọn naa ṣe pataki pupọ. Ju tobi ati awọn ibere ise ati gradients gbamu; kere ju ati pe wọn sọnu. Awọn ero ilana yan iyatọ ti o da lori iwọn Layer lati jẹ ki iyatọ ifihan jẹ aijọju ibakan kọja awọn fẹlẹfẹlẹ. Xavier (Glorot) bibẹrẹ awọn iwọn iyatọ nipasẹ nọmba titẹ sii pẹlu awọn ẹya iṣelọpọ ati awọn ipele tanh ati awọn nẹtiwọọki sigmoid. Oun (Kaiming) awọn irẹjẹ ibẹrẹ nipasẹ nọmba awọn igbewọle ati awọn akọọlẹ fun ReLU sisọnu idaji awọn igbewọle rẹ, ti o jẹ ki o jẹ boṣewa fun awọn netiwọki jinlẹ orisun ReLU ati awọn CNN. Ibẹrẹ ti o dara jẹ ki ikẹkọ ni kutukutu duro titi di deede ati awọn iṣapeye adaṣe yoo gba.
Real-World imuse
CNN ti nlo awọn iṣẹ ṣiṣe ReLU ti wa ni ipilẹṣẹ pẹlu Ibẹrẹ Ibẹrẹ nitorina awọn akopọ convolutional ti o jinlẹ laisi awọn ami apanirun.
Nẹtiwọọki kan pẹlu awọn imuṣiṣẹ tanh nlo ipilẹṣẹ Xavier lati jẹ ki iyatọ imuṣiṣẹ duro ni iduroṣinṣin kọja awọn fẹlẹfẹlẹ.
Onimọ-ẹrọ kan ti o bẹrẹ lairotẹlẹ gbogbo awọn iwuwo si odo rii nẹtiwọọki kuna lati kọ ẹkọ nitori gbogbo neuron duro ni aami kanna.
Awọn aiyipada Framework (PyTorch's Kaiming, Keras's Glorot uniform) waye ni ipilẹṣẹ ipilẹṣẹ laifọwọyi nigbati a ba ṣẹda Layer kan.
Ojo iwaju ti Ipilẹṣẹ iwuwo
Awọn fẹlẹfẹlẹ deede ati awọn isopọ to ku ti jẹ ki ikẹkọ ni itara diẹ si ibẹrẹ deede, ṣugbọn o tun ṣe pataki fun awọn nẹtiwọọki ti ko ni isọdọtun tabi jinna. Iwadii ti nṣiṣe lọwọ pẹlu awọn ero ti a ṣe deede si awọn oluyipada ati akiyesi, awọn ọna ti o jẹ ki awọn nẹtiwọọki ṣe ikẹkọ laisi awọn ipele isọdọtun eyikeyi, ati imọ-jinlẹ bii isometry agbara ati ekuro tangent nkankikan ti o sọ asọtẹlẹ ikẹkọ lati ibẹrẹ nikan. Ibẹrẹ ti o gbẹkẹle data, eyiti o ṣe iwọn awọn irẹjẹ lati ipele ayẹwo, jẹ itọsọna idagbasoke miiran.
Fifi o sinu iwa
Kini idi ti o ṣe pataki
- Iye owo ati isuna. Awọn ipinnu faaji ṣe awakọ iṣẹ ati idiyele iṣẹ fun awọn ọdun.
- Awọn ipinnu diẹ sii. Ẹkọ imọ-ẹrọ ṣe iranlọwọ fun awọn ẹgbẹ lati yan akopọ to tọ, kii ṣe ọkan tuntun nikan.
- Iṣakoso didara. Awọn yiyan imọ-ẹrọ to dara julọ dinku awọn iṣẹlẹ igbẹkẹle ni iṣelọpọ.
Ṣọra fun
- Ṣiṣepe ala-ilẹ kan le tọju awọn ailagbara eto ti o gbooro.
- Awọn ohun elo amayederun ati awọn idiyele itọju nigbagbogbo ni aibikita.
- Aabo ati awọn ela akiyesi le dagba bi awọn eto ṣe di eka sii.
Next awọn igbesẹ
- Ṣetumo lairi, didara, ati awọn ibi-afẹde idiyele ṣaaju imuse.
- Aṣepari labẹ ẹru ojulowo ati awọn ipo data.
- Abojuto ohun elo fun awọn aṣiṣe, fiseete, ati ipa olumulo.
- Mura ipadasẹhin pada ati awọn ipa ọna esi iṣẹlẹ ṣaaju iwọn.
Tesiwaju Ṣiṣawari
Ìwé ìròyìn ọfẹ
Gba ìkànìyàn AI ojoojúmọ́
Ìtàn AI mẹta tó jẹ́rìí ní gbogbo owurọ́ ọjọ́ iṣẹ́, kọ́wé ní Gẹ̀ẹ́sì tó rọrùn. Ọfẹ́ fún gbogbo àkókò, kò sí ìpolówó.
Ìmeèlì kan ní gbogbo ọjọ́ iṣẹ́. Yọkúrò ní ìkànìyàn ní ìkànìyàn kan. A kò ta tàbí pín àdírẹ́sì rẹ.
Ṣe idanwo fun ara rẹ
Take the Weight Initialization quiz
Ìdáhùn lẹ́sẹ̀kẹsẹ̀ lórí gbogbo ìdáhùn, àti iwe-ẹ̀rí tó lè pin pẹ̀lú ID tó lè jẹ́rìí lẹ́yìn tí o bá kọ́ ẹ̀kọ́.
Ṣe àtìlẹ́yìn ẹ̀kọ́ AI ọfẹ́. AI Understanding jẹ́ àjọ àìní èrè 501(c)(3) — kò sí ìpolówó, kò sí àkúnya owó, ní gbogbo àkókò. Ṣe ẹbun kan
Awọn ibeere ti a beere nigbagbogbo
What is Weight Initialization?
Bii o ṣe ṣeto awọn iwọn ibẹrẹ ti nẹtiwọọki nkankikan ṣaaju ikẹkọ bẹrẹ, eyiti o ṣe apẹrẹ ni agbara boya awọn ifihan agbara ati awọn gradients wa ni ilera nipasẹ awọn ipele ti o jinlẹ. Ibẹrẹ ti o dara jẹ iyatọ laarin isọdọkan iyara ati awoṣe ti ko kọ ẹkọ rara.
Kini idi ti fifisilẹ gbogbo awọn iwuwo si odo jẹ aṣiṣe apaniyan?
Pẹlu awọn iwọn kanna, gbogbo neuron ṣe iṣiro iṣelọpọ kanna ati gradient, nitorinaa wọn ṣe imudojuiwọn ni aami ati pe Layer ko le kọ ẹkọ awọn ẹya ọtọtọ.
O si (Kaiming) initialization ti wa ni pataki apẹrẹ fun eyi ti ibere ise iṣẹ?
O ṣe iwọn iyatọ ti ipilẹṣẹ nipasẹ 2 / fan_in lati sanpada fun yiyọkuro ReLU ni iwọn idaji awọn igbewọle rẹ.
Kini ibi-afẹde akọkọ ti awọn eto ipilẹṣẹ iwuwo ipilẹ?
Awọn ero bii Xavier ati O yan iyatọ iwuwo lati awọn iwọn Layer nitorina awọn ifihan agbara ko parẹ tabi gbamu bi wọn ṣe tan kaakiri.
Ibẹrẹ Xavier (Glorot) dara julọ fun awọn nẹtiwọọki nipa lilo awọn iṣẹ ṣiṣe wo?
Xavier ṣe iwọntunwọnsi siwaju ati sẹhin fun iyasọtọ, awọn iṣẹ ṣiṣe saturating bi tanh ati sigmoid.
Kini idi ti O bẹrẹ ipilẹṣẹ lo iyatọ ti 2 / fan_in ju 1 / fan_in?
ReLU kọja awọn igbewọle rere nikan, sisọnu nipa idaji ifihan agbara, nitorinaa ilọpo meji iyatọ ṣe atunṣe iyatọ imuṣiṣẹ ti a nireti.
Tesiwaju kikọ
Jẹmọ awọn itọsọna
Awọn itọsọna diẹ sii ti a yan fun koko yii