Critical Batch Size

Chcesz przyspieszyć uczenie, pokazując modelowi więcej przykładów naraz. Na początku to pomaga. Po pewnym punkcie przetwarzasz jednak znacznie więcej danych, a liczba kroków potrzebnych do uzyskania danego wyniku maleje tylko nieznacznie. Gdzie kończy się opłacalność powiększania grupy?

Critical Batch Size to charakterystyczna skala batcha, powyżej której korzyści z dalszego zwiększania grupy danych na krok słabną. Batch oznacza przykłady lub tokeny — kawałki tekstu — z których wspólnie wyliczamy jedną poprawkę wag modelu.

Uśrednienie większej liczby przykładów zmniejsza przypadkowość wskazówki, jak poprawić wagi. Ale przy stałej ilości danych większy batch oznacza mniej poprawek. Przejście z 100 do 200 przykładów może oszczędzać dużo kroków; kolejne podwojenie nie musi dać proporcjonalnego zysku. To ilustracja kompromisu, nie uniwersalne wartości granicy.

McCandlish i współautorzy, §2–3, modelują tę zależność za pomocą skali szumu gradientu. Granica zależy od zadania i fazy treningu. Szybsze przetwarzanie danych na sprzęcie nie musi oznaczać równie efektywnego uczenia na każdy przeczytany token.

Powiązania

Czy możemy zbudować teorię fizyki procesu uczenia, która przewiduje makroskopowe zachowania sieci?