Гайд · TNWS AI
Как использовать Huber loss в Optax для регрессии с выбросами
Optax 0.2.6: Huber loss квадратичен около нуля и линеен после delta; проверяем ошибки 0,5 и 2.
Задача и применимость
Актуальный запрос: «как использовать Huber loss Optax для выбросов». Проверить переход Huber loss от квадратичного режима к линейному. При target 0, delta=1 и prediction errors 0,5 и 2 ожидаются потери 0,125 и 1,5. Функция возвращает element-wise массив. Delta задаёт границу, но не выбирается автоматически по данным. До выбора delta исследуйте распределение абсолютных остатков на training split. Не подбирайте границу по test set. Если target стандартизирован, сохраняйте параметры обратного преобразования и показывайте MAE также в исходных единицах.
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 loss-функции с похожими названиями: они различаются ожидаемыми labels, формой результата и численной нормировкой. Сначала закрепите logits/targets/reduction контракт тестом и следуйте документации установленной версии.
Пошаговое решение
- Подготовьте predictions и broadcast-compatible targets.
- Выберите delta в единицах target после preprocessing.
- Вызовите huber_loss с keyword delta.
- Проверьте обе стороны границы и явно агрегируйте batch.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
predictions = jnp.array([0.5, 2.0])
targets = jnp.zeros(2)
losses = optax.huber_loss(predictions, targets, delta=1.0)
assert jnp.allclose(losses, jnp.array([0.125, 1.5]))
assert losses[1] < optax.l2_loss(predictions, targets)[1]
print(losses)
Вход и ожидаемый результат
Ошибка 0,5 дала 0,125 в квадратичной области, ошибка 2 — 1,5 в линейной. Для второй точки Huber оказался меньше L2 loss 2.
Как проверить результат
Сравните Huber, MAE и L2 на фиксированном validation set, включая верхние квантили остатка. Зафиксируйте scaling target: изменение единиц меняет смысл delta. Проверяйте gradient около ±delta.
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 считать Huber автоматическим удалением выбросов.
- Не переносить delta между разными шкалами target.
- Не забывать reduction.
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 происходит при малой ошибке?
Loss квадратичен.
Что происходит после delta?
Рост становится линейным.
Как выбрать delta?
По масштабу остатка и validation, а не по умолчанию вслепую.
Официальные источники
Частые вопросы
Что происходит при малой ошибке?
Loss квадратичен.
Что происходит после delta?
Рост становится линейным.
Как выбрать delta?
По масштабу остатка и validation, а не по умолчанию вслепую.
Читайте также
Как использовать sigmoid focal loss в Optax
Optax 0.2.6: focal loss для logits 0 и labels 0/1 при gamma=2; проверка симметричного базового значения.
Как посчитать binary cross-entropy по logits в Optax
Optax 0.2.6: sigmoid_binary_cross_entropy принимает logits и метки 0/1; проверяем базовый уровень ln(2).
Как посчитать hinge loss в Optax с метками −1 и +1
Optax 0.2.6: hinge loss требует targets строго −1/+1; проверяем уверенные predictions и нарушения margin.
Комментарии
Пока тихо. Скажите первое слово