Гайд · TNWS AI
Как ограничить глобальную норму gradients через Optax
Optax 0.2.6: clip_by_global_norm ограничивает общую L2-норму PyTree; проверка вектора 3–4 до нормы 1.
Задача и применимость
Актуальный запрос: «как использовать clip_by_global_norm Optax». Ограничить общий L2-размер gradients перед optimizer update. Для вектора [3,4] исходная global norm равна 5; clip_by_global_norm(1.0) масштабирует весь PyTree единым коэффициентом до нормы 1, сохраняя направление. Это не поэлементный clamp и не исправление NaN. В многослойной сети единый коэффициент применяется ко всем листьям, поэтому относительный вклад слоёв сохраняется. Regression test должен включать PyTree как минимум из двух массивов и сверять итоговую общую норму.
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 PyTree с известной нормой 5.
- Инициализируйте clip_by_global_norm с пределом 1.
- Примените transform и измерьте optax.global_norm.
- Проверьте ожидаемый вектор
[0.6,0.8]и неизменное направление.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
grads = {"w": jnp.array([3., 4.])}
tx = optax.clip_by_global_norm(1.0)
updates, state = tx.update(grads, tx.init(grads))
assert jnp.allclose(optax.global_norm(grads), 5.)
assert jnp.allclose(optax.global_norm(updates), 1.)
assert jnp.allclose(updates["w"], jnp.array([0.6, 0.8]))
print(float(optax.global_norm(grads)), float(optax.global_norm(updates)))
Вход и ожидаемый результат
Global norm уменьшилась с 5 до 1, а вектор стал [0.6,0.8]. Отношение компонентов сохранилось, следовательно transform масштабировал направление целиком.
Как проверить результат
Считайте norm по полному PyTree, а не по одному слою. Логируйте долю шагов, на которых clipping активен: постоянное срабатывание может указывать на слишком малый threshold или нестабильную loss. NaN проверяйте отдельно.
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 global clipping с поэлементным clip.
- Не использовать clipping для маскирования источника NaN.
- Не выбирать threshold только по одному batch.
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
Какая норма используется?
Глобальная L2-норма всех листьев PyTree.
Сохраняется ли направление?
Да, при конечных значениях применяется единое масштабирование.
Есть ли обучаемое состояние?
У transform нет накопительных моментов.
Официальные источники
Частые вопросы
Какая норма используется?
Глобальная L2-норма всех листьев PyTree.
Сохраняется ли направление?
Да, при конечных значениях применяется единое масштабирование.
Есть ли обучаемое состояние?
У transform нет накопительных моментов.
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