Гайд · TNWS AI
Как печатать значения внутри jax.jit через jax.debug.print
Runtime-диагностика compiled JAX: debug.print с format placeholders, ordered=True, block_until_ready и проверка вывода `mean=2.00`.
Задача и применимость
Актуальный запрос: «как вывести значение внутри JAX jit debug print». Увидеть runtime-значение traced массива внутри jitted функции. Обычный Python print во время tracing показывает tracer или срабатывает только при компиляции. jax.debug.print является staged callback и форматирует значения при выполнении. Побочный эффект предназначен для диагностики и может менять timing; его не оставляют в горячем production path.
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
- Добавьте debug.print внутри чистой вычислительной функции.
- Используйте строку формата с именованным placeholder, а не f-string.
- Оберните функцию в jax.jit и вызовите на контрольном массиве.
- Дождитесь результата через block_until_ready и проверьте строку и численный output.
Готовый проверяемый шаблон
import io
from contextlib import redirect_stdout
import jax
import jax.numpy as jnp
@jax.jit
def doubled(x):
jax.debug.print("mean={m:.2f}", m=jnp.mean(x), ordered=True)
return x * 2.
buffer = io.StringIO()
with redirect_stdout(buffer):
result = doubled(jnp.array([1., 3.]))
result.block_until_ready()
captured = buffer.getvalue()
assert jnp.array_equal(result, jnp.array([2., 6.]))
assert "mean=2.00" in captured
print(captured.strip(), result)
Вход и ожидаемый результат
Compiled функция напечатала mean=2.00 во время выполнения и вернула [2,6]. block_until_ready обеспечил завершение асинхронного вычисления до проверки буфера. Перехват stdout удобен для теста, но production-логирование требует отдельной политики.
Как проверить результат
Проверьте runtime input, а не tracer representation. При нескольких prints используйте ordered=True только когда порядок действительно важен: это создаёт зависимость эффектов. Удалите callback после локализации проблемы и повторно измерьте производительность.
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 использовать f-string с traced value вместо placeholder arguments.
- Не считать порядок независимых debug callbacks гарантированным без ordered=True.
- Не печатать полные пользовательские batch и секреты.
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
Почему обычный print недостаточен?
Под jit он выполняется при tracing и видит абстрактные tracers.
Когда срабатывает debug.print?
При runtime-выполнении compiled computation.
Можно оставить в production?
Лучше убрать после диагностики из-за вывода, утечек данных и влияния на timing.
Официальные источники
Частые вопросы
Почему обычный print недостаточен?
Под jit он выполняется при tracing и видит абстрактные tracers.
Когда срабатывает debug.print?
При runtime-выполнении compiled computation.
Можно оставить в production?
Лучше убрать после диагностики из-за вывода, утечек данных и влияния на timing.
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