概述
Lookahead 和 Lion 是神经网络优化的两个现代转折。 Lookahead 用“慢”和“快”权重包装任何基础优化器，以获得更稳定的进展，而 Lion（进化符号动量）是由 AI 程序搜索发现的，并仅使用动量项的符号更新权重 - 使其内存轻且通常比 Adam 更快。
Lookahead 和 Lion 优化器是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
张、Hinton 及其同事在 2019 年提出的 Lookahead，运行一个标准的“快速”优化器（如 Adam 或 SGD）k 个步骤，然后将一组单独的“慢速”权重推向快速权重最终的位置的一小部分。这可以抑制振荡并降低对超参数的敏感性。 Lion 由 Google 于 2023 年发布，源于优化器算法的符号程序搜索。它跟踪动量，但将符号函数应用于更新，因此每个参数都在累积梯度符号的方向上移动固定的步长。 Lion仅存储动量缓冲区（Adam状态的一半，保留两个），使用较大的权重衰减和较小的学习率，并且在大型视觉和语言模型上匹配或击败了Adam，同时训练速度更快、成本更低。
技术洞察
前瞻更新：在 k 个快速步骤产生权重 θ_fast 后，慢速权重按 φ ← φ + α(θ_fast − φ) 移动，然后快速优化器重置为 φ。 Lion更新：用于插值的m ← β1·m + (1−β1)·g，但权重步长为θ ← θ − η·(sign(β2·m + (1−β2)·g) + λθ)。符号运算使每个坐标的更新幅度一致，这就像隐式归一化，并解释了为什么 Lion 需要比 Adam 小得多的学习率。
掌握 Lookahead 和 Lion 优化器
Lookahead 和 Lion 是神经网络优化的两个现代转折。 Lookahead 用“慢”和“快”权重包装任何基础优化器，以获得更稳定的进展，而 Lion（进化符号动量）是由 AI 程序搜索发现的，并仅使用动量项的符号更新权重 - 使其内存轻且通常比 Adam 更快。 Lookahead 和 Lion 优化器是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将 Lookahead 和 Lion Optimizer 视为一种操作模型，而不是单一功能：定义所需的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，强大的团队使用 Lookahead 和 Lion Optimizer 根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
用 Lookahead 包裹 Adam，以稳定 Transformer 的训练并减少超参数调整工作。
使用 Lion 训练大型视觉模型（例如 ViT），优化器内存比 Adam 低。
使用 Lion 预训练语言模型，以降低计算成本实现相当的准确性。
在强化学习代理中将 Lookahead 与 SGD 相结合，以平滑嘈杂的策略更新。
实施模式
Lookahead 和 Lion 优化器的实践
用 Lookahead 包裹 Adam，以稳定 Transformer 的训练并减少超参数调整工作。
用 Lookahead 包裹 Adam，以稳定 Transformer 的训练并减少超参数调整工作 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Lookahead 和 Lion 优化器的实践
使用 Lion 训练大型视觉模型（例如 ViT），优化器内存比 Adam 低。
使用 Lion 来训练大型视觉模型（例如 ViT），其优化器内存低于 Adam 团队，当他们预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
Lookahead 和 Lion 优化器的实践
使用 Lion 预训练语言模型，以降低计算成本实现相当的准确性。
使用 Lion 预训练语言模型，以降低计算成本实现相当的准确性 团队在预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
Lookahead 和 Lion 优化器的实践
在强化学习代理中将 Lookahead 与 SGD 相结合，以平滑嘈杂的策略更新。
在强化学习代理中将 Lookahead 与 SGD 相结合，以平滑嘈杂的策略更新 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。