Гайд · TNWS AI
Как исключить bias из weight decay через Optax
Optax 0.2.6: маска add_decayed_weights применяет decay к kernel и оставляет bias без изменения.
Задача и применимость
Актуальный запрос: «как исключить bias из weight decay Optax add_decayed_weights». Применить add_decayed_weights только к kernel. Маска имеет ту же структуру PyTree: True включает transform, False исключает лист. При нулевых gradients, weight_decay 0,1, kernel 2 и bias 3 выход должен содержать добавку 0,2 для kernel и 0 для bias. Сам transform ещё не меняет знак и не умножает на learning rate. Для production отдельно зафиксируйте структуру PyTree, dtype, момент вызова относительно JIT и порядок соседних transformations. Добавьте негативный тест на несовместимую маску, неверный счётчик или отсутствующий batch axis — в зависимости от задачи. Численный unit test должен выполняться при каждом обновлении Optax.
Материал проверен на Optax 0.2.6, JAX/jaxlib 0.11.2 и Python 3.12 на CPU. Используется актуальный API from flax import nnx, а не устаревший экспериментальный import и не Linen. Пример не загружает веса или внешние данные и решает одну изолированную задачу. Численный тест подтверждает контракт кода в указанной версии, но не качество нейросети на рабочем датасете.
Перед запуском установите совместимые версии пакетов в отдельное окружение и выведите flax.__version__, jax.__version__ и jaxlib.__version__. Не смешивайте разные способы накопления, маскирования и усреднения: похожие названия имеют разные контракты. При переносе сначала закрепите ожидаемую математику unit-тестом и следуйте документации установленной версии.
Пошаговое решение
- Создайте PyTree kernel/bias и нулевые gradients.
- Задайте boolean mask с True только для kernel.
- Вызовите add_decayed_weights и передайте params в update.
- Проверьте, что bias остался нулевым в updates.
Готовый проверяемый шаблон
import jax
import jax.numpy as jnp
import optax
params = {"kernel": jnp.array([2.0]), "bias": jnp.array([3.0])}
grads = jax.tree.map(jnp.zeros_like, params)
mask = {"kernel": True, "bias": False}
tx = optax.add_decayed_weights(0.1, mask=mask)
updates, _ = tx.update(grads, tx.init(params), params)
assert jnp.allclose(updates["kernel"], jnp.array([0.2]))
assert jnp.allclose(updates["bias"], jnp.array([0.0]))
print(updates)
Вход и ожидаемый результат
Kernel 2 получил добавку 0,2, bias 3 — нулевую. Положительная добавка здесь ожидаема: отрицательный знак обычно появляется позже в цепочке learning-rate scaling.
Как проверить результат
Проверьте маску по именованным путям, а не только по ndim, если в модели есть одномерные обучаемые веса. Unit test должен падать при добавлении нового неразмеченного листа. Проверяйте порядок transforms в chain.
Перенос в рабочую модель
В рабочем проекте зафиксируйте контракт batch: порядок осей, dtype, диапазон признаков и семантику target. Инициализацию, dropout и генерацию данных разделяйте по именованным RNG streams. Обучаемые nnx.Param, статистическое состояние и optimizer state сохраняйте и проверяйте раздельно. Перед обновлением Flax/JAX прогоняйте небольшой обезличенный regression batch и сравнивайте формы, loss, конечность значений и допустимое численное отклонение.
Критерии приёмки
- Версии Flax, JAX и jaxlib записаны в отчёте.
- Формы входа, параметров и результата совпадают с контрактом.
- Все численные outputs и gradients конечны.
- Train/eval режим задан явно для стохастических и stateful слоёв.
- Результат проверен независимой формулой, состоянием или контрольным вызовом.
- Негативный случай неверной формы или режима включён в тесты проекта.
Регрессионный протокол
Сохраните минимальные входы: один объект, небольшой batch, нулевые значения, несимметричные размеры осей и заведомо несовместимую форму. Сравнивайте массивы через allclose с документированным допуском. Воспроизводимость требует одинаковых seeds и одинакового порядка запросов RNG. Производительность оценивайте после JIT-прогрева и block_until_ready, отдельно от compile time. Один удачный запуск не заменяет validation на независимых данных.
Диагностика расхождений
При расхождении сначала проверьте layout и preprocessing, затем RNG streams, train/eval mode, типы переменных State, forward, loss и optimizer update. Упростите модель до одного слоя, отключите JIT и стохастику, сравните промежуточные shapes. Возвращайте компоненты по одной. Не увеличивайте допуск и не заменяйте NaN нулями до установления причины.
Контроль после внедрения
В эксплуатации ограничьте допустимые shapes и размер batch, чтобы запрос не исчерпал память и не вызвал поток перекомпиляций. Не логируйте исходные пользовательские тензоры, ключи и содержимое обучающих примеров. Храните предыдущий проверенный checkpoint и схему State для отката. После восстановления проверяйте контрольный forward до включения модели в трафик.
Границы применимости
CPU-проверка не доказывает скорость или точную численную идентичность GPU/TPU. Случайная инициализация не является обучением, снижение train loss не гарантирует обобщение, а правильная форма не подтверждает корректность данных. Для важных решений нужны validation/test, мониторинг дрейфа, ограничения входов и человеческий контроль.
Типичные ошибки и чего не делать
- Не принимать положительную decay-добавку за финальный optimizer update.
- Не строить маску по хрупкому совпадению подстрок без теста путей.
- Не забывать params в update.
Не публикуйте только удачный вывод без версии среды, форм и негативного теста. Не настраивайте модель по test set и не загружайте непроверенное состояние поверх production-модели.
FAQ
Что означает True?
К листу применяется add_decayed_weights.
Почему bias часто исключают?
Это осознанная схема регуляризации, а не универсальное правило.
Можно ли использовать callable mask?
Да, API принимает PyTree или функцию маски.
Официальные источники
Частые вопросы
Что означает True?
К листу применяется add_decayed_weights.
Почему bias часто исключают?
Это осознанная схема регуляризации, а не универсальное правило.
Можно ли использовать callable mask?
Да, API принимает PyTree или функцию маски.
Читайте также
Как ограничить gradient каждого примера через Optax
Optax 0.2.6: per_example_global_norm_clip отдельно ограничивает batch-градиенты и возвращает их сумму и число clipping-событий.
Как накапливать gradients через Optax MultiSteps
Optax 0.2.6: MultiSteps усредняет два microbatch-gradient и обновляет SGD только на каждом втором вызове.
Как обновлять target network через Optax periodic_update
Optax 0.2.6: periodic_update копирует online parameters на шагах, кратных update_period, и сохраняет target между ними.
Комментарии
Пока тихо. Скажите первое слово