还在苦恼怎么给优化器调整更好的参数吗？现在|让ai自己调整超参数，谷歌大脑新优化器火了还在苦恼怎么给优化器调整更

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。

文章图片
【还在苦恼怎么给优化器调整更好的参数吗？现在|让ai自己调整超参数，谷歌大脑新优化器火了】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LucasBeyer将VeLO与其他“重度”调参的优化器进行了对比，性能不相上下：

文章图片
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。

文章图片
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。

文章图片
△神经网络训练过程，图源ThomasWolf
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。

文章图片
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。

文章图片
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：

文章图片
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：

文章图片
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。