ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: Vanishing & Exploding Gradient explained | A problem resulting from backpropagation

Hey, what's going on everyone?

In this video, we're going to discuss a problem

that creeps up time and time again during the training process of an artificial neural network.

This is the problem of unstable gradients, and is most popularly referred to as the vanishing gradient problem.

So let's get to it.

Alright, what do we really already know about gradients as it pertains to neural networks?

Well, for one, when we use the word gradient by itself, we're typically referring to the gradient of the loss function with respect to the weights in the network network.

We also know how this gradient is calculated, using backpropagation, which we covered in our earlier videos dedicated solely to backprop.

And finally, as we saw in our video that demonstrates how a neural network learns, we know what to do with this gradient after it's calculated.

We update our weights with it.

Well, we don't, per se, but stochastic gradient descent does, with the goal in mind to find the most optimal weight for each connection

that will minimize the total loss of the network.

So, with this understanding, we're now going to talk about the vanishing gradient problem.

We're first going to answer, well, what the heck is the vanishing gradient problem anyway?

Here we'll cover the idea conceptually.

We'll then move our discussion to talking about how this problem occurs.

Then, with the understanding that we'll have developed up to this point, we'll discuss the problem of exploding gradients, which we'll see is actually very similar to the vanishing gradient problem,

and so we'll be able to take what we learned about that problem and apply it to this new one.

So what is the vanishing gradient problem?

We'll first talk about this kind of generally, and then we'll get into the details in just a few moments.

In general, this is a problem that causes major difficulty when training a neural network.

More specifically, this is a problem that involves the weights in earlier layers of the network work.

Recall that during training, Stochastic Gradient Descent, or SGD, works to calculate the gradient of the loss with respect to weights in the network.

Now, sometimes, and we'll speak more about why this is in a bit, the gradient with respect to weights in earlier layers of the network becomes really small,

like vanishingly small.

Hence, vanishing gradient.

Okay, what's the big deal with a small gradient?

Well, once SGD calculates this gradient with respect to a particular weight, it uses this value to update that weight.

So the weight gets updated in some way that is proportional to the gradient.

If the gradient is vanishingly small, then this update is in turn going to be vanishingly small as well.

So if this new updated value of the weight has just barely moved from its original value, then it's not really doing much for the network.

This change is not going to carry through the network very well to help reduce the loss

because it's barely changed at all from where it was before the update occurred.

Therefore this weight becomes kind of stuck, never really updating enough to even get close to its optimal value,

which has implications for the remainder of the network to the right of this one weight

and impairs the ability of the network to learn.

So now that we know what this problem is, how exactly does this problem occur?

We know from what we learned about backpropagation

that the gradient of the loss with respect to any given

weight is going to be the product of some derivatives that depend on components that reside later in the network.

So given this, the earlier in the network a weight lives, the more terms will be needed in the product

that we just mentioned to get the gradient of the loss with respect to this weight.

What happens if the terms in this product, or at least some of them, are small?

And by small, we mean less than one small.

Well, the product of a bunch of numbers less than one is going to give us an even smaller number, right?

Okay, cool.

So as we mentioned earlier, we now take this result, the small number, and update our weight with it.

Recall that we do this update by first multiplying this number by our learning rate, which it itself is a small number,

usually ranging between 0 .01 and 0 .0001.

So now the result of this product is an even smaller number.

Then we subtract this number from the weight, and the final result of this difference is going to be the value of the updated weight.

Now you can think about if the gradient that we obtained with respect to this weight was already really small, i .e vanishing, then by the time we multiply it by the learning rate,

the product is going to be even smaller, and so when we subtract this teeny tiny number from the weight, it's just barely going to move the weight at all.

So, essentially, the weight gets into this kind of stuck state not moving,

not quote learning, and therefore not really helping to meet the overall objective of minimizing the loss of the network.

And we can see why earlier weights are subject to this problem.

Because as we said, the earlier in the network the weight resides, the more terms are going to be included in the product to calculate the gradient.

And the more terms we're multiplying together that are less than 1, the quicker the gradient is going to vanish.

So now let's talk about this problem in the opposite direction.

Not a gradient that vanishes, but rather a gradient that explodes.

Well, think about the conversation we just had about how the

vanishing gradient problem occurs with weights early in the network due to a product of at least some relatively small values.

Now think about calculating the gradient with respect to the same weight, but instead of really small terms, what if they were large?

And by large, we mean greater than 1.

Well, if we multiply a bunch of terms together that are all greater than 1, we're going to get something greater than 1, and perhaps even a lot greater than 1.

The same argument holds here that we discussed about the vanishing gradient, where the earlier in the network a weight lives, the more terms will be needed in the product we just mentioned.

And so the more of these larger value terms we have being multiplied together, the larger the gradient is going to be, thus essentially exploding in size.

And with this gradient, we go through the same process to proportionally update our weight with it that we talked about earlier.

But this time, instead of barely moving our weight with this update, we're going to greatly move it.

So much so, perhaps, that the optimal value for this weight won't ever be achieved

because the proportion to which the weight becomes updated with each epoch is just too large

and continues to move further and further away from its optimal value.

So a main takeaway that we should be able to gain from this discussion is

that the problem of vanishing gradients and exploding gradients is actually a more general problem of unstable gradients.

This problem was actually a huge barrier to training neural networks in the past, and now we can see why that is.

In a later video, we'll talk about techniques that have been developed to combat against this problem.

For now, let's take our discussion to the comments.

Let me know what you're thinking.

✨ วิดีโอแนะนำ

321 ประโยค

Mixture of Experts Explained Visually: How Trillion-Parameter Models Actually Work

Daily ConversationUniversity Students

158 ประโยค

คำศัพท์และข้อสังเกตด้านการพูดสำหรับบทเรียนนี้

บทเรียนฝึกพูดนี้ใช้วิดีโอ “Vanishing & Exploding Gradient explained” เป็นสื่อ คำที่ถูกพูดซ้ำบ่อยที่สุด: gradient, weight, network, vanishing, product วิดีโอนี้มี 78 ประโยค และ 1279 คำ สำหรับฝึกพูดตาม ช่วงที่มีเสียงพูดยาว 7:19 ผู้พูดพูดด้วยความเร็วเป็นธรรมชาติ ประมาณ 175 คำต่อนาที ใกล้เคียงกับบทสนทนาในชีวิตประจำวัน 87% ของคำอยู่ใน 3,000 คำที่ใช้บ่อยที่สุดในภาษาอังกฤษ คำศัพท์จึงตามได้ง่าย

คำศัพท์สำคัญในวิดีโอนี้

คำที่ควรเรียนรู้ 15 คำจากวิดีโอ พร้อมคำอ่านและความหมาย:

คำศัพท์	คำอ่าน	ความหมาย
calculate คำกริยา	/ˈkælkjʊleɪt/	คำนวณ
occur คำกริยา	/əˈkɜː/	เกิด
explode คำกริยา	/ɪkˈsploʊd/	ระเบิด
layer คำนาม	/ˈleɪ̯ɚ/	ชั้น
minimize คำกริยา	/ˈmɪn.ɪˌmaɪz/	ย่อ
reside คำกริยา	/ɹɪˈzaɪd/	สิงสถิต, อาศัย
technique คำนาม	/tɛkˈniːk/	เทคนิค, กลเม็ด
obtain คำกริยา	/əbˈteɪn/	ฟาด, รับ
objective คำนาม	/ɒbˈd͡ʒɛk.tɪv/	เป้าหมาย
artificial คำคุณศัพท์	/ˌɑː.tɪˈfɪʃ.əl/	เทียม
demonstrate คำกริยา	/ˈdɛm.ənˌstɹeɪt/	สาธิต
depend คำกริยา	/dɪˈpɛnd/	พึ่ง
multiply คำกริยา	/ˈmʌltɪplaɪ/	คูณ
stochastic คำคุณศัพท์	/stəˈkæstɪk/	สุ่ม
subtract คำกริยา	/səbˈtɹækt/	ลบ

ประโยคที่ควรฝึกพูดซ้ำ

ประโยคสั้น ๆ ที่สมบูรณ์จากวิดีโอ ซึ่งนำไปใช้ในบทสนทนาประจำวันได้:

Hey, what's going on everyone?
Here we'll cover the idea conceptually.
For now, let's take our discussion to the comments.
Let me know what you're thinking.

ไวยากรณ์ในวิดีโอนี้

โครงสร้างที่ผู้พูดใช้บ่อยที่สุด พร้อมคำพูดจริงจากวิดีโอ:

โครงสร้าง	ในวิดีโอ
Passive voice be + กริยาช่อง 3 — เน้นสิ่งที่เกิดขึ้น ไม่ใช่ผู้กระทำ	is calculated · will be needed · be included
Present perfect have/has + กริยาช่อง 3 — เหตุการณ์ในอดีตที่ยังเกี่ยวข้องกับปัจจุบัน	have developed · have been developed

การออกเสียงที่ควรระวัง

ผู้พูดใช้รูปย่อและรูปลดเสียง 20 ครั้ง เช่น we'll, we're, don't ให้พูดแบบสั้นตามที่ได้ยิน

เสียง “sh” และ “zh”: essentially /ɪˈsɛnʃəli/, artificial /ˌɑː.tɪˈfɪʃ.əl/, proportion /pɹəˈpɔɹʃən/, implication /ˌɪmpləˈkeɪʃən/, vanish /ˈvænɪʃ/
คำยาว — ลงเสียงหนักให้ถูกพยางค์: essentially /ɪˈsɛnʃəli/, difficulty /ˈdɪfɪkəlti/, artificial /ˌɑː.tɪˈfɪʃ.əl/, derivative /dɪˈɹɪvətɪv/, implication /ˌɪmpləˈkeɪʃən/

เสียงที่คนไทยมักออกเสียงยาก:

เสียงท้ายคำ — ออกเสียงให้ครบ ไม่เปลี่ยนเป็นตัวสะกดแบบไทย: neural /ˈnʊɹəl/, optimal /ˈɑptɪməl/, recall /ɹɪˈkɔl/, unstable /ʌnˈsteɪ.bəl/, minimize /ˈmɪn.ɪˌmaɪz/
/v/ — ไม่ใช่ /w/ ให้ฟันบนแตะริมฝีปากล่าง: objective /ɒbˈd͡ʒɛk.tɪv/, involve /ɪnˈvɑlv/, derivative /dɪˈɹɪvətɪv/, vanish /ˈvænɪʃ/
/z/ — เสียงก้อง ไม่ใช่ /s/: minimize /ˈmɪn.ɪˌmaɪz/, reside /ɹɪˈzaɪd/

วิธีฝึกกับวิดีโอนี้

ฟังวิดีโอให้จบหนึ่งรอบโดยยังไม่ต้องพูด แล้วจดคำที่ยังไม่รู้จัก
เริ่มที่ความเร็ว 0.75× พูดตามทีละประโยค แล้วกลับไปใช้ความเร็วปกติเมื่อเริ่มคล่อง
อัดเสียงตัวเองแล้วเทียบกับต้นฉบับ โดยสังเกตคำอย่าง calculate, occur, explode เป็นพิเศษ

เทคนิค Shadowing คืออะไร?

Shadowing เป็นเทคนิคการเรียนรู้ภาษาที่ได้รับการรับรองทางวิทยาศาสตร์ พัฒนาขึ้นสำหรับการฝึกนักแปลมืออาชีพ วิธีการนี้เรียบง่ายแต่ทรงพลัง: คุณฟังเสียงภาษาอังกฤษจากเจ้าของภาษาและพูดตามทันที — เหมือนเงาที่ตามผู้พูดด้วยช่วงเวลาห่าง 1-2 วินาที การวิจัยแสดงว่าเทคนิคนี้ปรับปรุงความแม่นยำในการออกเสียง ทำนองเสียง จังหวะ การเชื่อมเสียง การฟังเข้าใจ และความคล่องแคล่วในการพูดได้อย่างมีนัยสำคัญ

เทคนิค shadowing: อ่านคู่มือฉบับเต็มทีละขั้นตอน →

ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: Vanishing & Exploding Gradient explained | A problem resulting from backpropagation

Mixture of Experts Explained Visually: How Trillion-Parameter Models Actually Work

OWASP Top 10 Explained

Vectors and 2D Motion: Crash Course Physics #4

BGP Overview

Enhancing AV Simulation with Generative AI - DRIVE Labs Ep. 36

Gaussian Naive Bayes, Clearly Explained!!!

P2 什么是机器学习【2024公认最好的 | 吴恩达机器学习 | 教程 | Machine Learning Specialization(超爽中英!)】

What is Inattentional Blindness? (Easiest Explanation)

Bỏ học để khởi nghiệp có phải lối tắt?

The GELU, SiLU and SwiGLU activation functions, clearly explained!!!

The End of Human Mathematics? AI's Recent Breakthrough -- And What's Next

LET THERE BE... Voltage? | Maxwell's Equation #2 Explained for Beginners