还在苦恼怎么给优化器调整更好的参数吗？
现在，谷歌大脑搞出了一个新的优化器 VeLO，无需手动调整任何超参数，直接用就完事了。
与其他人工设计的如 Adam、AdaGrad 等算法不同，VeLO 完全基于 AI 构造，能够很好地适应各种不同的任务。
当然，效果也更好。论文作者之一 Lucas Beyer 将 VeLO 与其他“重度”调参的优化器进行了对比，性能不相上下：
有网友看到了一丝优化器进步的曙光：
在 Adam 之后出现了不少优化器，却都表现得非常失败。这个优化器或许确实能表现更好。
所以，这个基于 AI 的优化器是如何打造的？
VeLO 究竟是怎么打造的？
在训练神经网络的过程中，优化器（optimizer）是必不可少的一部分。
但 AI 模型应用都这么广泛了，训练 AI 模型用的优化器却仍然是人工设计的，听起来多少有点不合理。
于是谷歌大脑的研究人员灵机一动：为何不用 AI 来做一个优化器呢？
设计上，优化器的原理基于元学习的思路，即从相关任务上学习经验，来帮助学习目标任务。
相比迁移学习，元学习更强调获取元知识，它是一类任务上的通用知识，可以被泛化到更多任务上去。
基于这一思想，VeLO 也会吸收梯度并自动输出参数更新，无需任何超参数调优，并自适应需要优化的各种任务。
架构上，AI 优化器整体由 LSTM（长短期记忆网络）和超网络 MLP（多层感知机）构成。
其中每个 LSTM 负责设置多个 MLP 的参数，各个 LSTM 之间则通过全局上下文信息进行相互协作。
训练上，AI 优化器采用元训练的方式，以参数值和梯度作为输入，输出需要更新的参数。
经过 4000 个 TPU 月（一块 TPU 运行 4000 个月的计算量）的训练，集各种优化任务之所长后，VeLO 终于横空出世。
比人工调参优化器效果更好
结果表明，VeLO 在 83 个任务上的加速效果超过了一系列当前已有的优化器。
其中 y 轴是相比 Adam 加速的倍率，x 轴是任务的比例。
结果显示，VeLO 不仅比无需调整超参数的优化器效果更好，甚至比仔细调整过超参数的一些优化器效果还好：
与“经典老大哥”Adam 相比，VeLO 在所有任务上训练加速都更快，其中 50% 以上的任务比调整学习率的 Adam 快 4 倍以上，14% 以上的任务中，VeLO 学习率甚至快上 16 倍。
而在 6 类学习任务（数据集 + 对应模型）的优化效果上，VeLO 在其中 5 类任务上表现效果都与 Adam 相当甚至更好：
值得一提的是，这次 VeLO 也被部署在 JAX 中，看来谷歌是真的很大力推广这个新框架了。
巴特，也有网友认为耗费 4000 个 TPU 月来训练 VeLO，计算量成本过大：
虽然这个进展很重要，但它甚至都快赶上 GPT-3 的训练量了。
目前 VeLO 已经开源，感兴趣的小伙伴们可以去试试这个新的 AI 优化器。
One More Thing
前段时间，一位哈佛博士生提了个有意思的想法，得到不少人赞同：
更多论文的作者们也应该像演职员表一样，公开自己在论文中的工作内容。
Kareem Carr 是生物统计学领域的博士生，作者贡献在生物论文中比较常见，不过之前在 AI 论文中见得不多。
现在，这篇谷歌大脑论文的作者们也这样做了，谁写的论文、谁搭建的框架一目了然：
不知道以后会不会成为机器学习圈的新风气（手动狗头）。
GitHub 地址：
https://github.com/google/learned_optimization/tree/main/learned_optimization/research/general_lopt
论文地址：
https://arxiv.org/abs/2211.09760
参考链接：
[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
本文来自微信公众号：量子位 （ID：QbitAI），作者：萧箫
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。