Поиск.
Найдено: 0 моделей и 20 материалов
Материалы
Как остановить градиент через jax.lax.stop_gradient
JAX 0.11.2: stop_gradient сохраняет forward value, исключает ветвь из autodiff и проверяется аналитическим gradient.
Как инициализировать двухслойную нейросеть в JAX
Двухслойный MLP без фреймворка: random.split, масштаб весов, ReLU, PyTree параметров, одиночный и пакетный входы.
Как найти NaN в JAX-нейросети через debug_nans
Локальная диагностика NaN в eager и jit: контекст jax.debug_nans, FloatingPointError, безопасная функция и запрет маскировки проблемы nan_to_num.
Как обновить веса нейросети через value_and_grad в JAX
Один проверяемый шаг gradient descent для PyTree параметров: MSE, value_and_grad, tree.map, формы градиентов и снижение loss.
Как обновлять PyTree параметров через jax.tree.map
Проверяемые PyTrees: flatten, treedef, tree.map по двум структурам, unflatten и контроль несовместимого дерева.
Как ограничить глобальную норму градиентов в JAX
Проверяемый gradient clipping по общей L2-норме PyTree: tree.leaves, единый scale, норма 13→5 и защита от деления на ноль.
Как ограничить обратный градиент через jax.custom_vjp
Пользовательский reverse-mode в JAX 0.11.2: identity forward, residuals, clipped cotangent и точная проверка градиента.
Как остановить динамический цикл через jax.lax.while_loop
Динамическая сходимость в JAX 0.11.2: cond_fun, body_fun, carry `(iteration,value)`, защитный лимит и ограничение reverse-mode.
Как печатать значения внутри jax.jit через jax.debug.print
Runtime-диагностика compiled JAX: debug.print с format placeholders, ordered=True, block_until_ready и проверка вывода `mean=2.00`.
Как переиспользовать линеаризацию через jax.linearize
Одна linearization point и несколько tangent-векторов в JAX 0.11.2: сравнение linearize с отдельными jvp.
Как посчитать cross-entropy через log_softmax в JAX
Стабильная categorical cross-entropy для logits и целочисленных меток: log_softmax, индексация класса, mean loss и точный ручной тест.
Как посчитать gradient для каждого примера через jax.vmap и grad
Per-example gradients без Python-loop в JAX 0.11.2: vmap(grad), PyTree batch-axis и проверка среднего против batch loss.
Как посчитать матрицу Гессе через jax.hessian
Матрица вторых производных scalar loss в JAX 0.11.2: jax.hessian, симметрия, аналитический эталон и ограничения памяти.
Как посчитать направленную производную нейросети через jax.jvp
JAX 0.11.2: Jacobian-vector product без построения полной матрицы Якоби, ручной эталон, формы primals и tangents.
Как посчитать vector-Jacobian product через jax.vjp
Reverse-mode в JAX 0.11.2: pullback из jax.vjp, cotangent выхода, проверка cᵀJ и отличие от JVP.
Как повторить фиксированные шаги обучения через jax.lax.fori_loop
Пять функциональных обновлений параметра через lax.fori_loop в JAX 0.11.2 и проверка против Python-loop.
Как проверить формы нейросети через jax.eval_shape без вычисления
Абстрактная проверка forward через ShapeDtypeStruct и eval_shape: ожидаемый batch output, dtype и раннее обнаружение несовместимых размерностей.
Как проверить gradient конечными разностями через jax.test_util.check_grads
JAX 0.11.2: автоматическая проверка first- и second-order производных в fwd/rev режимах с float64 и допусками.
Как проверить устройства и backend JAX перед запуском нейросети
Диагностика JAX 0.11.2: default_backend, devices, platform, размещение массива и проверка вычисления без ошибочного ожидания GPU.
Как сделать условную ветку под jit через jax.lax.cond
Динамическая scalar-ветка в JAX 0.11.2: lax.cond, одинаковые output contracts, две фактически проверенные ветви под jit.