讓AI自己調(diào)整超參數(shù)，谷歌大腦新優(yōu)化器火了，自適應(yīng)不同任務(wù)，83個任務(wù)訓(xùn)練加速比經(jīng)典Adam更快
項目代碼已開源
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)整更好的參數(shù)嗎？
現(xiàn)在，谷歌大腦搞出了一個新的優(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)計的如Adam、AdaGrad等算法不同，VeLO完全基于AI構(gòu)造，能夠很好地適應(yīng)各種不同的任務(wù)。
當(dāng)然，效果也更好。論文作者之一Lucas Beyer將VeLO與其他“重度”調(diào)參的優(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)步的曙光：
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)化器或許確實能表現(xiàn)更好。
所以，這個基于AI的優(yōu)化器是如何打造的？
VeLO究竟是怎么打造的？
在訓(xùn)練神經(jīng)網(wǎng)絡(luò)的過程中，優(yōu)化器（optimizer）是必不可少的一部分。
△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模型用的優(yōu)化器卻仍然是人工設(shè)計的，聽起來多少有點不合理。
于是谷歌大腦的研究人員靈機(jī)一動：為何不用AI來做一個優(yōu)化器呢？
設(shè)計上，優(yōu)化器的原理基于元學(xué)習(xí)的思路，即從相關(guān)任務(wù)上學(xué)習(xí)經(jīng)驗，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)上的通用知識，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)化的各種任務(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的參數(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)練的方式，以參數(shù)值和梯度作為輸入，輸出需要更新的參數(shù)。
經(jīng)過4000個TPU月（一塊TPU運(yùn)行4000個月的計算量）的訓(xùn)練，集各種優(yōu)化任務(wù)之所長后，VeLO終于橫空出世。
比人工調(diào)參優(yōu)化器效果更好
結(jié)果表明，VeLO在83個任務(wù)上的加速效果超過了一系列當(dāng)前已有的優(yōu)化器。
其中y軸是相比Adam加速的倍率，x軸是任務(wù)的比例。
結(jié)果顯示，VeLO不僅比無需調(diào)整超參數(shù)的優(yōu)化器效果更好，甚至比仔細(xì)調(diào)整過超參數(shù)的一些優(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%以上的任務(wù)比調(diào)整學(xué)習(xí)率的Adam快4倍以上，14%以上的任務(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）的優(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：
值得一提的是，這次VeLO也被部署在JAX中，看來谷歌是真的很大力推廣這個新框架了。
巴特，也有網(wǎng)友認(rèn)為耗費4000個TPU月來訓(xùn)練VeLO，計算量成本過大：
雖然這個進(jìn)展很重要，但它甚至都快趕上GPT-3的訓(xùn)練量了。
目前VeLO已經(jīng)開源，感興趣的小伙伴們可以去試試這個新的AI優(yōu)化器。
One More Thing
前段時間，一位哈佛博士生提了個有意思的想法，得到不少人贊同：
更多論文的作者們也應(yīng)該像演職員表一樣，公開自己在論文中的工作內(nèi)容。
Kareem Carr是生物統(tǒng)計學(xué)領(lǐng)域的博士生，作者貢獻(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，這篇谷歌大腦論文的作者們也這樣做了，誰寫的論文、誰搭建的框架一目了然：
不知道以后會不會成為機(jī)器學(xué)習(xí)圈的新風(fēng)氣（手動狗頭）。
GitHub地址：
https://github.com/google/learned_optimization/tree/main/learned_optimization/research/general_lopt
論文地址：
https://arxiv.org/abs/2211.09760
參考鏈接：
[1]https://twitter.com/jmes_harrison/status/1593422054971174912
[2]https://medium.com/huggingface/from-zero-to-research-an-introduction-to-meta-learning-8e16e677f78a#afeb
[3]https://mp.weixin.qq.com/s/QLzdW6CMkcXWQbGjtOBNwg
相關(guān)閱讀
