Adan: Adaptive Nesterov Momentum Algorithm for Faster Optimizing Deep Models

要約

深層学習では、通常、さまざまな種類の深層ネットワークにさまざまなオプティマイザーが必要であり、複数回の試行の後に選択する必要があるため、トレーニング プロセスが非効率になります。
この問題を軽減し、深いネットワーク全体でモデルのトレーニング速度を一貫して改善するために、ADAptive Nesterov モメンタム アルゴリズム、略して Adan を提案します。
Adan は最初にバニラ ネステロフ加速を再定式化し、外挿点で勾配を計算する余分なオーバーヘッドを回避する新しいネステロフ運動量推定 (NME) メソッドを開発しました。
次に、Adan は NME を採用して、収束加速のための適応勾配アルゴリズムで勾配の 1 次モーメントと 2 次モーメントを推定します。
さらに、Adan が $O(\epsilon^{-3.5})$ 内の $\epsilon$-近似の一次定常点を見つけることを証明します。
最もよく知られている下限に一致します。
広範な実験結果は、Adan が一貫してビジョン、言語、および RL タスクで対応する SoTA オプティマイザーを上回り、多くの一般的なネットワークとフレームワーク (ResNet、ConvNext、ViT、Swin、MAE、DETR、GPT-2、Transformer など) に新しい SoTA を設定することを示しています。
-XL、BERT。
さらに驚くべきことに、Adan は SoTA オプティマイザーのトレーニング コスト (エポック) の半分を使用して、ViT、GPT-2、MAE などでより高い、または同等のパフォーマンスを達成できます。
1kから32k。
コードは https://github.com/sail-sg/Adan でリリースされており、複数の一般的な深層学習フレームワークまたはプロジェクトで使用されています。

要約(オリジナル)

In deep learning, different kinds of deep networks typically need different optimizers, which have to be chosen after multiple trials, making the training process inefficient. To relieve this issue and consistently improve the model training speed across deep networks, we propose the ADAptive Nesterov momentum algorithm, Adan for short. Adan first reformulates the vanilla Nesterov acceleration to develop a new Nesterov momentum estimation (NME) method, which avoids the extra overhead of computing gradient at the extrapolation point. Then Adan adopts NME to estimate the gradient’s first- and second-order moments in adaptive gradient algorithms for convergence acceleration. Besides, we prove that Adan finds an $\epsilon$-approximate first-order stationary point within $O(\epsilon^{-3.5})$ stochastic gradient complexity on the non-convex stochastic problems (e.g., deep learning problems), matching the best-known lower bound. Extensive experimental results show that Adan consistently surpasses the corresponding SoTA optimizers on vision, language, and RL tasks and sets new SoTAs for many popular networks and frameworks, e.g., ResNet, ConvNext, ViT, Swin, MAE, DETR, GPT-2, Transformer-XL, and BERT. More surprisingly, Adan can use half of the training cost (epochs) of SoTA optimizers to achieve higher or comparable performance on ViT, GPT-2, MAE, e.t.c., and also shows great tolerance to a large range of minibatch size, e.g., from 1k to 32k. Code is released at https://github.com/sail-sg/Adan, and has been used in multiple popular deep learning frameworks or projects.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google