概述
銳利度感知最小化（SAM）是一種最佳化方法，它不僅尋求低損失，而且尋求整個權重鄰域的低損失－平坦的最小值。較平坦的最小值往往具有更好的泛化能力，因此 SAM 通常可以在不改變模型架構的情況下提高測試準確性和穩健性。
清晰度感知最小化是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
深入探討
標準訓練最大限度地減少了權重空間中單一點的損失，但是具有相同訓練損失的兩個解決方案可能表現得非常不同：「尖銳」最小值位於狹窄的山谷中，其中微小的權重擾動會導致損失激增，而「平坦」最小值則可以容忍擾動，並且通常可以更好地推廣到看不見的數據。 Google 研究人員於 2020 年推出的 SAM 明確了這一點。在每一步中，它首先找到使損失最大化的附近權重擾動（在小半徑 rho 內）——最壞情況的鄰居——然後更新原始權重以減少該擾動點的損失。這種最小-最大目標將優化推向一致低的區域，從而在影像分類及其他方面產生明顯更好的泛化。
技術洞察
每個 SAM 步驟都是兩次通過。首先，計算當前權重下的梯度，並在梯度方向上採取大小為 rho 的「上升」步驟，以到達最壞情況附近的點。其次，計算該擾動點的梯度並用它來更新原始權重。半徑 rho 控制您要防範的鄰域大小。成本大約是每步兩次向前向後傳遞，這使得計算量增加了一倍——這是主要的實際缺點。
掌握銳利度感知最小化
銳利度感知最小化（SAM）是一種最佳化方法，它不僅尋求低損失，而且尋求整個權重鄰域的低損失－平坦的最小值。較平坦的最小值往往具有更好的泛化能力，因此 SAM 通常可以在不改變模型架構的情況下提高測試準確性和穩健性。清晰度感知最小化是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將銳利度感知最小化視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用銳利度感知最小化的強大團隊可以根據可靠性和成本來優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。
技術教育幫助團隊選擇正確的堆疊，而不僅僅是最新的堆疊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
透過使用 SAM 而非普通 SGD 進行訓練，提升 ImageNet 上的 Vision Transformer 和 ResNet 準確性。
提高對標籤雜訊的穩健性，因為平坦最小值不太可能記住損壞的標籤。
使用 SAM 微調預訓練語言模型，以便在小型下游資料集上獲得更好的泛化能力。
當普通 SAM 的雙倍計算成本過於昂貴時，請使用 ESAM 或 LookSAM 變體。
實施模式
實踐中的銳利度感知最小化
透過使用 SAM 而非普通 SGD 進行訓練，提升 ImageNet 上的 Vision Transformer 和 ResNet 準確性。
透過使用 SAM 而非普通 SGD 進行訓練來提高 ImageNet 上的 Vision Transformer 和 ResNet 準確性 團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
實踐中的銳利度感知最小化
提高對標籤雜訊的穩健性，因為平坦最小值不太可能記住損壞的標籤。
提高對標籤雜訊的穩健性，因為平坦最小值不太可能記住損壞的標籤。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
實踐中的銳利度感知最小化
使用 SAM 微調預訓練語言模型，以便在小型下游資料集上獲得更好的泛化能力。
使用 SAM 微調預訓練語言模型，以更好地概括小型下游資料集 團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
實踐中的銳利度感知最小化
當普通 SAM 的雙倍計算成本過於昂貴時，請使用 ESAM 或 LookSAM 變體。
當普通 SAM 的雙倍運算成本過於昂貴時，使用 ESAM 或 LookSAM 變體 團隊在預先定義品質閾值、為邊緣情況保留人工升級路徑並追蹤一段時間內的生產力提升和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
優化一項基準測試可以隱藏更廣泛的系統弱點。
基礎設施和維護成本常常被低估。
隨著系統變得更加複雜，安全性和可觀察性差距可能會擴大。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。