一只小狐貍帶你解鎖 煉丹術(shù)&NLP?秘籍

作者：蘇劍林（來自追一科技，人稱“蘇神”）

前言

需要許多時間步計算的循環(huán)神經(jīng)網(wǎng)絡(luò)，如LSTM、GRU，往往存在梯度爆炸的問題。其目標函數(shù)可能存在懸崖一樣斜率較大的區(qū)域，這是由于時間步上幾個較大的權(quán)重相乘導致的。當參數(shù)接近這樣的懸崖區(qū)域時，如果更新梯度不足夠小，很有可能就會直接跳過這樣的懸崖結(jié)構(gòu)，然后被彈射到非常遠的地方。梯度裁剪（gradient clipping），是這類問題的常用解決辦法。它的核心思想就是根據(jù)目標函數(shù)的光滑程度對梯度進行縮放^[1]。

本文介紹來自MIT的一篇ICLR2020滿分論文《Why gradient clipping accelerates training: A theoretical justification for adaptivity》。顧名思義，這篇論文就是分析為什么梯度裁剪能加速深度學習的訓練過程。原文很長，公式很多，還有不少研究復(fù)雜性的概念，說實話對筆者來說里邊的大部分內(nèi)容也是懵的，不過大概能捕捉到它的核心思想：引入了比常用的L約束更寬松的約束條件，從新的條件出發(fā)論證了梯度裁剪的必要性。本文就是來簡單描述一下這個過程，供讀者參考。

論文鏈接：https://arxiv.org/pdf/1905.11881.pdf

Arxiv訪問慢的小伙伴也可以在訂閱號后臺回復(fù)關(guān)鍵詞【0615】下載論文PDF。

梯度裁剪

假設(shè)需要最小化的函數(shù)為，就是優(yōu)化參數(shù)，那么梯度下降的更新公式就是（滑動查看完整公式）

其中就是學習率。而所謂梯度裁剪（gradient clipping），就是根據(jù)梯度的模長來對更新量做一個縮放，比如

或者

其中? ，是一個常數(shù)。這兩種方式都被視為梯度裁剪，總的來說就是控制更新量的模長不超過一個常數(shù)。其實從下面的不等式就可以看到其實兩者基本是等價的：

L約束

有不少優(yōu)化器相關(guān)的理論結(jié)果，在其證明中都假設(shè)了待優(yōu)化函數(shù)的梯度滿足如下的L約束：

由于? 是梯度的波動程度，實際上衡量的就是? 的光滑程度，所以上述約束也稱為“L光滑性條件（L-smooth）”^[2]。值得提醒的是，不同的場景可能會需要不同的L約束，比如有時候我們要假設(shè)模型輸出關(guān)于輸入滿足L約束，有時候我們要假設(shè)模型輸出關(guān)于參數(shù)滿足L約束，而上面假設(shè)的是模型 loss 的梯度關(guān)于參數(shù)滿足L約束。如果條件 (5) 成立，那么很多優(yōu)化問題都將大大簡化。因為我們可以證明^[3]：

對于梯度下降來說，，代入上式得到

因此，為了保證每一步優(yōu)化都使得? 下降，一個充分條件是? ，即? ，而? 的最小值在? 時取到，所以只需要讓學習率為? ，那么每步迭代都可以使得? 下降，并且下降速度最快。

放松約束

條件 (5) 還可以帶來很多漂亮的結(jié)果，然而問題是在很多實際優(yōu)化問題中條件 (5) 并不成立，比如四次函數(shù)? 。這就導致了理論與實際的差距。而本文要介紹的論文，則引入了一個新的更寬松的約束：

也就是將常數(shù)? 換成動態(tài)的? ，原文稱之為“(L0, L1)-smooth”，這里也稱為“(L0, L1)約束”。顯然這個條件就寬松多了，比如可以檢驗? 是滿足這個條件的，因此基于此條件所推導出的理論結(jié)果適用范圍會更廣。

在新的約束之下，不等式 (6) 依舊是成立的，只不過換成對應(yīng)的動態(tài)項：

代入得到

所以很明顯了，現(xiàn)在要保證每一步下降，那么就要求

以及最優(yōu)學習率是

這就導出了梯度裁剪 (3)。而保證了每一步都下降，那么就意味著在優(yōu)化過程中每一步都沒有做無用功，所以也就加速了訓練過程。

作者們是怎么提出這個條件 (8) 的呢？論文中說是做實驗觀察出來的：觀察到損失函數(shù)的光滑程度與梯度模長呈“線性相關(guān)”關(guān)系.png，如下圖所示。但筆者感覺吧，至少應(yīng)該還有些從結(jié)果反推的成分在里邊，不然誰那么無聊會去觀察這兩者的關(guān)系呢？

文章小結(jié)

本文簡要介紹了ICLR2020的一篇分析梯度裁剪的滿分論文，主要思路是引入了更寬松普適的假設(shè)條件，在新的條件下能體現(xiàn)出了梯度裁剪的必要性，并且由于放松了傳統(tǒng)的約束，因此理論結(jié)果的適用范圍更廣，這也就表明，梯度裁剪確實是很多場景下都適用的技巧之一。

參考文獻

[1]

參考文獻 lan Goodfellow et. al, "Deep Learning", MIT press, 2016

[2]

關(guān)于L約束可以作者其他博客: 《深度學習中的Lipschitz約束：泛化與生成模型》、《BN究竟起了什么作用？一個閉門造車的分析》。

[3]

證明過程可參考https://kexue.fm/archives/6992。

可

能

喜

歡

• 萬能的BERT連文本糾錯也不放過

• 面試必備！賣萌屋算法工程師思維導圖—統(tǒng)計機器學習篇
  

• 告別自注意力，谷歌為Transformer打造新內(nèi)核Synthesizer

• NLP中的少樣本困境問題探究

• ACL20 | 讓笨重的BERT問答匹配模型變快！

• 7款優(yōu)秀Vim插件幫你打造完美IDE

• 賣萌屋原創(chuàng)專輯首發(fā)，算法鎮(zhèn)魂三部曲！

夕小瑤的賣萌屋

_

關(guān)注&星標小夕，帶你解鎖AI秘籍

訂閱號主頁下方「撩一下」有驚喜哦

總結(jié)

以上是生活随笔為你收集整理的ICLR2020满分论文 | 为什么梯度裁剪能加速模型训练？的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。