蕭簫 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

還在苦惱怎么給優(yōu)化器調(diào)整更好得參數(shù)么？

現(xiàn)在，谷歌大腦搞出了一個新得優(yōu)化器VeLO，無需手動調(diào)整任何超參數(shù)，直接用就完事了。

與其他人工設(shè)計(jì)得如Adam、AdaGrad等算法不同，VeLO完全基于AI構(gòu)造，能夠很好地適應(yīng)各種不同得任務(wù)。

當(dāng)然，效果也更好。論文之一Lucas Beyer將VeLO與其他“重度”調(diào)參得優(yōu)化器進(jìn)行了對比，性能不相上下：

有網(wǎng)友看到了一絲優(yōu)化器進(jìn)步得曙光：

在Adam之后出現(xiàn)了不少優(yōu)化器，卻都表現(xiàn)得非常失敗。這個優(yōu)化器或許確實(shí)能表現(xiàn)更好。

所以，這個基于AI得優(yōu)化器是如何打造得？

在訓(xùn)練神經(jīng)網(wǎng)絡(luò)得過程中，優(yōu)化器（optimizer）是必不可少得一部分。

△神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程，圖源Thomas Wolf

但AI模型應(yīng)用都這么廣泛了，訓(xùn)練AI模型用得優(yōu)化器卻仍然是人工設(shè)計(jì)得，聽起來多少有點(diǎn)不合理。

于是谷歌大腦得研究人員靈機(jī)一動：為何不用AI來做一個優(yōu)化器呢？

設(shè)計(jì)上，優(yōu)化器得原理基于元學(xué)習(xí)得思路，即從相關(guān)任務(wù)上學(xué)習(xí)經(jīng)驗(yàn)，來幫助學(xué)習(xí)目標(biāo)任務(wù)。

相比遷移學(xué)習(xí)，元學(xué)習(xí)更強(qiáng)調(diào)獲取元知識，它是一類任務(wù)上得通用知識，可以被泛化到更多任務(wù)上去。

基于這一思想，VeLO也會吸收梯度并自動輸出參數(shù)更新，無需任何超參數(shù)調(diào)優(yōu)，并自適應(yīng)需要優(yōu)化得各種任務(wù)。

架構(gòu)上，AI優(yōu)化器整體由LSTM（長短期記憶網(wǎng)絡(luò)）和超網(wǎng)絡(luò)MLP（多層感知機(jī)）構(gòu)成。

其中每個LSTM負(fù)責(zé)設(shè)置多個MLP得參數(shù)，各個LSTM之間則通過全局上下文信息進(jìn)行相互協(xié)作。

訓(xùn)練上，AI優(yōu)化器采用元訓(xùn)練得方式，以參數(shù)值和梯度作為輸入，輸出需要更新得參數(shù)。

經(jīng)過4000個TPU月（一塊TPU運(yùn)行4000個月得計(jì)算量）得訓(xùn)練，集各種優(yōu)化任務(wù)之所長后，VeLO終于橫空出世。

結(jié)果表明，VeLO在83個任務(wù)上得加速效果超過了一系列當(dāng)前已有得優(yōu)化器。

其中y軸是相比Adam加速得倍率，x軸是任務(wù)得比例。

結(jié)果顯示，VeLO不僅比無需調(diào)整超參數(shù)得優(yōu)化器效果更好，甚至比仔細(xì)調(diào)整過超參數(shù)得一些優(yōu)化器效果還好：

與“經(jīng)典老大哥”Adam相比，VeLO在所有任務(wù)上訓(xùn)練加速都更快，其中50%以上得任務(wù)比調(diào)整學(xué)習(xí)率得Adam快4倍以上，14%以上得任務(wù)中，VeLO學(xué)習(xí)率甚至快上16倍。

而在6類學(xué)習(xí)任務(wù)（數(shù)據(jù)集+對應(yīng)模型）得優(yōu)化效果上，VeLO在其中5類任務(wù)上表現(xiàn)效果都與Adam相當(dāng)甚至更好：

值得一提得是，這次VeLO也被部署在JAX中，看來谷歌是真得很大力推廣這個新框架了。

巴特，也有網(wǎng)友認(rèn)為耗費(fèi)4000個TPU月來訓(xùn)練VeLO，計(jì)算量成本過大：

雖然這個進(jìn)展很重要，但它甚至都快趕上GPT-3得訓(xùn)練量了。

目前VeLO已經(jīng)開源，感興趣得小伙伴們可以去試試這個新得AI優(yōu)化器。

前段時間，一位哈佛博士生提了個有意思得想法，得到不少人贊同：

更多論文得們也應(yīng)該像演職員表一樣，公開自己在論文中得工作內(nèi)容。

Kareem Carr是生物統(tǒng)計(jì)學(xué)領(lǐng)域得博士生，貢獻(xiàn)在生物論文中比較常見，不過之前在AI論文中見得不多。

現(xiàn)在，這篇谷歌大腦論文得們也這樣做了，誰寫得論文、誰搭建得框架一目了然：

不知道以后會不會成為機(jī)器學(xué)習(xí)圈得新風(fēng)氣（手動狗頭）。

GitHub地址：
github/google/learned_optimization/tree/main/learned_optimization/research/general_lopt

論文地址：
arxiv.org/abs/2211.09760

參考鏈接：
[1]twitter/jmes_harrison/status/1593422054971174912
[2]medium/huggingface/from-zero-to-research-an-introduction-to-meta-learning-8e16e677f78a#afeb
[3]*/s/QLzdW6CMkcXWQbGjtOBNwg

— 完 —

量子位 QbitAI · 頭條號簽約

我們，第壹時間獲知前沿科技動態(tài)