Гайд · TNWS AI
Как посчитать hinge loss в Optax с метками −1 и +1
Optax 0.2.6: hinge loss требует targets строго −1/+1; проверяем уверенные predictions и нарушения margin.
Задача и применимость
Актуальный запрос: «как использовать hinge loss Optax метки минус один плюс один». Рассчитать binary hinge loss по decision scores, не probabilities. Targets должны быть строго -1 или +1. Для scores [2,0,5,-2,-0,5] и targets [1,1,-1,-1] уверенные точки дают 0, а точки внутри margin — 0,5. Функция возвращает element-wise значения. Sign accuracy и margin violations журналируйте раздельно: модель может правильно классифицировать объект по знаку, но всё ещё получать ненулевой loss. Scores не являются калиброванными probabilities.
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 loss-функции с похожими названиями: они различаются ожидаемыми labels, формой результата и численной нормировкой. Сначала закрепите logits/targets/reduction контракт тестом и следуйте документации установленной версии.
Пошаговое решение
- Преобразуйте binary targets из 0/1 в -1/+1.
- Передайте необрезанные decision scores.
- Вычислите hinge_loss и проверьте margin=1.
- Агрегируйте batch и добавьте регуляризацию модели отдельно.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
scores = jnp.array([2., 0.5, -2., -0.5])
targets = jnp.array([1., 1., -1., -1.])
losses = optax.hinge_loss(scores, targets)
assert jnp.allclose(losses, jnp.array([0., 0.5, 0., 0.5]))
assert jnp.all((targets == -1) | (targets == 1))
print(losses)
Вход и ожидаемый результат
Scores с правильным margin не штрафовались, а два правильных по знаку, но недостаточно уверенных score дали loss 0,5.
Как проверить результат
Проверяйте множество targets и ручную формулу max(0,1-target*score). Не пропускайте sigmoid: hinge работает с decision output. Отдельно тестируйте неверный знак score и границу ровно 1.
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 использовать targets 0/1 без преобразования.
- Не подавать sigmoid probabilities как scores.
- Не считать нулевой hinge loss калиброванной вероятностью.
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
Какие targets допустимы?
Строго -1 и +1.
Нужен ли sigmoid?
Нет.
Когда loss равен нулю?
Когда target·score не меньше 1.
Официальные источники
Частые вопросы
Какие targets допустимы?
Строго -1 и +1.
Нужен ли sigmoid?
Нет.
Когда loss равен нулю?
Когда target·score не меньше 1.
Читайте также
Как использовать Huber loss в Optax для регрессии с выбросами
Optax 0.2.6: Huber loss квадратичен около нуля и линеен после delta; проверяем ошибки 0,5 и 2.
Как использовать sigmoid focal loss в Optax
Optax 0.2.6: focal loss для logits 0 и labels 0/1 при gamma=2; проверка симметричного базового значения.
Как посчитать binary cross-entropy по logits в Optax
Optax 0.2.6: sigmoid_binary_cross_entropy принимает logits и метки 0/1; проверяем базовый уровень ln(2).
Комментарии
Пока тихо. Скажите первое слово