Гайд · TNWS AI
Как объединить clipping и SGD через Optax chain
Optax 0.2.6: chain последовательно применяет global clipping и SGD; точная проверка update для gradient 3–4.
Задача и применимость
Актуальный запрос: «как использовать optax chain clipping SGD». Собрать единый optimizer pipeline из ограничения нормы и SGD. optax.chain применяет transforms слева направо: сначала gradient [3,4] превращается в [0.6,0.8], затем SGD с learning rate 0,1 меняет знак и масштабирует до [-0.06,-0.08]. Порядок является частью контракта. Составной pipeline удобно тестировать на векторе с известной нормой: он одновременно подтверждает порядок transformations, знак optimizer update и итоговое изменение параметров после apply_updates.
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 gradient с norm 5.
- Соберите chain из clip_by_global_norm(1) и sgd(0.1).
- Инициализируйте состояние и вызовите update.
- Сравните updates с ручным последовательным вычислением.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
params = {"w": jnp.array([1., 1.])}
grads = {"w": jnp.array([3., 4.])}
tx = optax.chain(optax.clip_by_global_norm(1.0), optax.sgd(0.1))
state = tx.init(params)
updates, state = tx.update(grads, state, params)
new_params = optax.apply_updates(params, updates)
assert jnp.allclose(updates["w"], jnp.array([-0.06, -0.08]))
assert jnp.allclose(new_params["w"], jnp.array([0.94, 0.92]))
print(updates, new_params)
Вход и ожидаемый результат
После clipping вектор имел norm 1, а SGD превратил его в update [-0.06,-0.08]. Параметры [1,1] стали [0.94,0.92].
Как проверить результат
Разложите chain на промежуточные transforms в отдельном unit test. При изменении порядка обновите ожидаемую математику. Сохраняйте всё составное optimizer state как единое PyTree.
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 chain коммутативным.
- Не ставить scale/sign transform случайно перед clipping без проверки.
- Не применять apply_updates между внутренними transforms.
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
В каком порядке работают transforms?
Слева направо.
Где применяется learning rate?
В SGD после clipping.
Что возвращает chain?
Единый GradientTransformation со составным state.
Официальные источники
Частые вопросы
В каком порядке работают transforms?
Слева направо.
Где применяется learning rate?
В SGD после clipping.
Что возвращает chain?
Единый GradientTransformation со составным state.
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