Гайд · TNWS AI
Как остановить градиент через jax.lax.stop_gradient
JAX 0.11.2: stop_gradient сохраняет forward value, исключает ветвь из autodiff и проверяется аналитическим gradient.
Задача и применимость
Актуальный запрос: «как остановить градиент JAX stop gradient». Оставить значение тензора в forward pass, но запретить его вклад в forward- и reverse-mode differentiation. jax.lax.stop_gradient(x) операционно является identity, однако autodiff рассматривает результат как константу. Это удобно для target branch, baseline или явного разделения оптимизируемых частей, но легко молча отключить нужное обучение.
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
- Опишите выражение с обычным квадратичным членом и остановленной линейной ветвью.
- Вычислите forward value и ручной эталон.
- Получите gradient через jax.grad.
- Докажите, что производная содержит только вклад неостановленной ветви.
Готовый проверяемый шаблон
import jax
import jax.numpy as jnp
def objective(x):
frozen_branch = 10. * jax.lax.stop_gradient(x)
return jnp.sum(x * x + frozen_branch)
x = jnp.array([2., -3.])
value = objective(x)
gradient = jax.grad(objective)(x)
assert value == 3. # 4+9 + 20-30
assert jnp.allclose(gradient, jnp.array([4., -6.]))
assert jnp.array_equal(jax.lax.stop_gradient(x), x)
print(float(value), gradient)
Вход и ожидаемый результат
Forward value включает обе ветви и равен 3. Производная линейного члена 10*x была остановлена, поэтому gradient равен только 2*x, то есть [4,-6]. Сам stop_gradient вернул те же значения x.
Как проверить результат
Сравните forward до и после stop_gradient — значения должны совпасть. Затем сравните gradient с аналитическим выражением и добавьте тест, что параметры нужной обучаемой ветви действительно получают ненулевой gradient на типичном batch.
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 stop_gradient с удалением значения из forward pass.
- Не оборачивайте весь loss или все параметры модели по ошибке.
- Не используйте остановку градиента для маскировки NaN или взрыва производных.
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 stop_gradient значение?
Нет, в forward pass это identity.
На какие режимы autodiff действует?
Он останавливает поток и в forward-, и в reverse-mode, включая вложенные производные.
Можно ли через него заморозить ветвь?
Да, если граница поставлена осознанно и gradient-тест подтверждает контракт.
Официальные источники
Частые вопросы
Меняет ли stop_gradient значение?
Нет, в forward pass это identity.
На какие режимы autodiff действует?
Он останавливает поток и в forward-, и в reverse-mode, включая вложенные производные.
Можно ли через него заморозить ветвь?
Да, если граница поставлена осознанно и gradient-тест подтверждает контракт.
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