Гайд · TNWS AI
Как настроить cosine decay learning rate в Optax
Optax 0.2.6: cosine decay от 0,1 до нуля за 10 шагов; контроль значений на старте, середине и конце.
Задача и применимость
Актуальный запрос: «как использовать cosine_decay_schedule Optax». Создать одноразовый cosine decay без warmup и проверить значения schedule до подключения optimizer. При init_value 0,1 и decay_steps 10 learning rate стартует с 0,1, в середине равен примерно 0,05, а на шаге 10 достигает нуля при alpha 0. Schedule — функция от integer step.
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 примеры NNX с похожими по названию конструкциями Linen: у них различаются жизненный цикл Module, представление состояния, инициализация и способы применения transformations. При переносе кода сначала выберите один API и следуйте документации именно его версии.
Пошаговое решение
- Создайте cosine_decay_schedule с init_value 0,1 и 10 шагами.
- Вычислите значения на шагах 0, 5 и 10.
- Проверьте начало, середину и конец с float tolerance.
- Передайте schedule как learning_rate выбранному optimizer.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
schedule = optax.cosine_decay_schedule(init_value=0.1, decay_steps=10, alpha=0.0)
values = jnp.array([schedule(i) for i in [0, 5, 10]])
assert jnp.allclose(values, jnp.array([0.1, 0.05, 0.0]), atol=1e-7)
assert schedule(1) < schedule(0)
assert schedule(9) > schedule(10)
print(values)
Вход и ожидаемый результат
Schedule вернул примерно [0.1,0.05,0.0] на шагах 0, 5 и 10. Значения монотонно уменьшались на выбранном интервале.
Как проверить результат
Считайте decay_steps в optimizer updates, а не автоматически в эпохах. При gradient accumulation один optimizer step может соответствовать нескольким microbatches. Запишите total steps и alpha в конфигурацию checkpoint.
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 путать steps с epochs.
- Не ожидать warmup от cosine_decay_schedule.
- Не менять длину обучения без пересчёта decay_steps.
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 задаёт alpha?
Долю init_value, остающуюся в конце decay.
Когда lr равен половине?
Для alpha=0 в середине полупериода, как в примере.
Можно передать в Adam?
Да, schedule используется как learning_rate callable.
Официальные источники
Частые вопросы
Что задаёт alpha?
Долю init_value, остающуюся в конце decay.
Когда lr равен половине?
Для alpha=0 в середине полупериода, как в примере.
Можно передать в Adam?
Да, schedule используется как learning_rate callable.
Читайте также
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.
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.
Комментарии
Пока тихо. Скажите первое слово