Гайд · TNWS AI
Как ограничить обратный градиент через jax.custom_vjp
Пользовательский reverse-mode в JAX 0.11.2: identity forward, residuals, clipped cotangent и точная проверка градиента.
Задача и применимость
Актуальный запрос: «как сделать gradient clipping через JAX custom vjp». Ограничить входящий cotangent непосредственно в backward rule, не меняя forward value. jax.custom_vjp разделяет прямой проход и VJP: forward возвращает output и residuals, backward получает residuals и выходной cotangent, а затем возвращает tuple cotangents по аргументам. Пример обрезает значения в диапазоне [-1,1].
Материал применим к JAX 0.11.2 и jaxlib 0.11.2. JAX предоставляет массивы, автоматическое дифференцирование и программные преобразования; он не является готовой библиотекой слоёв, датасетов или полного тренировочного цикла. Пример намеренно мал и выполняется локально на доступном backend без загрузки весов и внешних данных. Численный критерий доказывает поведение конкретного кода, но не качество рабочей нейросети.
Пошаговое решение
- Оформите identity-функцию декоратором custom_vjp.
- Опишите forward, возвращающий значение и пустой residual.
- В backward обрежьте входящий cotangent через jnp.clip и верните одноэлементный tuple.
- Примените grad к квадратичной цели и сравните с ручным clipping
2*x.
Готовый проверяемый шаблон
import jax
import jax.numpy as jnp
@jax.custom_vjp
def clip_gradient(x):
return x
def clip_fwd(x):
return x, None
def clip_bwd(_, cotangent):
return (jnp.clip(cotangent, -1., 1.),)
clip_gradient.defvjp(clip_fwd, clip_bwd)
x = jnp.array([2., -3., 0.2])
value = clip_gradient(x)
gradient = jax.grad(lambda z: jnp.sum(clip_gradient(z) ** 2))(x)
assert jnp.array_equal(value, x)
assert jnp.allclose(gradient, jnp.array([1., -1., 0.4]))
print(value, gradient)
Вход и ожидаемый результат
Forward возвращает исходный [2,-3,0.2]. Неограниченная производная квадрата была бы [4,-6,0.4]; backward rule обрезал её до [1,-1,0.4]. Это поэлементное ограничение в custom VJP, а не global-norm clipping.
Как проверить результат
Сравните forward до и после декоратора, а gradient — с ручным эталоном выше, ниже и внутри порога. Проверьте число возвращаемых cotangents: оно должно совпадать с числом дифференцируемых аргументов. Отдельно тестируйте jit и vmap.
Перенос на настоящую нейросеть
Для рабочей модели сначала зафиксируйте контракт параметров и batch: pytree structure, формы, dtype, порядок признаков и семантику выходов. Генерацию случайностей оформите как явный поток keys. Разделите чистые функции forward, loss и update, чтобы их можно было независимо тестировать, дифференцировать и компилировать. Данные train, validation и test не должны смешиваться. Любое изменение формы, precision, backend или версии JAX проверяйте на сохранённом обезличенном regression-наборе до развёртывания.
Критерии приёмки
- Все формы и dtype совпадают с контрактом.
- Каждый PRNG subkey используется в одной логической случайной операции.
- Loss и gradients конечны на положительном тесте.
- Негативный вход вызывает ожидаемую ошибку, а не случайный output.
- Обычный и преобразованный через jit/vmap путь численно согласованы, когда это применимо.
- Устройство, версии JAX/jaxlib и численный допуск записаны в отчёте.
Регрессионный протокол
Храните несколько малых входов: стандартный batch, один объект, нули, граничные значения и заведомо невалидную форму. Сравнивайте outputs и loss с эталоном через allclose с явно выбранным допуском. После смены backend проверяйте допустимую численную погрешность, а не требуйте безусловной битовой идентичности. Производительность измеряйте после компиляционного прогрева и завершения асинхронной работы. Не выбирайте лучший единичный замер: сообщайте распределение задержки и условия машины.
Диагностика расхождений
Если результат изменился, локализуйте слой: данные и preprocessing, key-поток, shapes/dtype, forward, loss, gradients, update, затем jit и backend. Сначала выполните функцию без jit на минимальном входе, затем верните transformations по одной. Сравните tree structure и каждый leaf. Не увеличивайте допуск и не применяйте nan_to_num, пока не выяснено, не скрывает ли это неверную форму, переполнение или повтор ключа.
Контроль после внедрения
В эксплуатации ограничьте допустимые batch shapes и объём входа, чтобы запрос не исчерпал память и не создал бесконечный поток перекомпиляций. Собирайте агрегированные метрики latency, compile count, долю невалидных входов и численные ошибки без записи исходных чувствительных данных. Сохраняйте предыдущий проверенный артефакт и код параметров для отката. Автоматическая замена весов требует той же независимой проверки, что и обычный выпуск.
Границы применимости
Пример на CPU не доказывает свойства GPU или TPU, а маленький массив не предсказывает производительность большой модели. JIT может ускорить повторяющиеся вычисления, но стоимость компиляции, передача данных и новые формы способны ухудшить end-to-end время. Autodiff возвращает производную написанной функции, а не подтверждает правильность математической постановки. Для критичных решений нужны предметные метрики, мониторинг и человеческий контроль.
Типичные ошибки и чего не делать
- Не путайте поэлементный clip с ограничением общей нормы.
- Не возвращайте bare array из bwd, если API ожидает tuple аргументов.
- Не скрывайте неверную loss постоянным clipping без диагностики.
Не публикуйте только удачный вывод без негативного теста и версий среды. Не используйте тестовую выборку для настройки модели. Не загружайте непроверенные параметры и не передавайте в диагностику персональные данные. Для важных решений предусмотрите безопасный отказ.
FAQ
Меняет ли custom_vjp forward?
В этом примере нет: forward является identity.
Работает ли правило с forward-mode jvp?
custom_vjp задаёт reverse-mode правило; для JVP применяют custom_jvp.
Что хранится в residuals?
Данные forward, которые нужны backward; здесь они не нужны.
Официальные источники
Частые вопросы
Меняет ли custom_vjp forward?
В этом примере нет: forward является identity.
Работает ли правило с forward-mode jvp?
`custom_vjp` задаёт reverse-mode правило; для JVP применяют custom_jvp.
Что хранится в residuals?
Данные forward, которые нужны backward; здесь они не нужны.
Читайте также
Как инициализировать двухслойную нейросеть в JAX
Двухслойный MLP без фреймворка: random.split, масштаб весов, ReLU, PyTree параметров, одиночный и пакетный входы.
Как найти NaN в JAX-нейросети через debug_nans
Локальная диагностика NaN в eager и jit: контекст jax.debug_nans, FloatingPointError, безопасная функция и запрет маскировки проблемы nan_to_num.
Как обновить веса нейросети через value_and_grad в JAX
Один проверяемый шаг gradient descent для PyTree параметров: MSE, value_and_grad, tree.map, формы градиентов и снижение loss.
Комментарии
Пока тихо. Скажите первое слово