Гайд · TNWS AI
Как повторить фиксированные шаги обучения через jax.lax.fori_loop
Пять функциональных обновлений параметра через lax.fori_loop в JAX 0.11.2 и проверка против Python-loop.
Задача и применимость
Актуальный запрос: «как использовать JAX lax fori loop для шагов обучения». Повторить известное число функциональных обновлений, сохраняя постоянную структуру loop carry. lax.fori_loop(lower, upper, body_fun, init_val) передаёт индекс и состояние в body. При статических границах реализация может сводиться к scan, а reverse-mode поддерживается; при динамическом trip count поведение может основываться на while_loop и иметь другие ограничения autodiff.
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 чистый body одного gradient-descent шага.
- Передайте scalar параметр как init_val и статические границы 0..5.
- Вычислите контрольный результат обычным Python-loop.
- Сравните значения и убедитесь, что параметр приблизился к минимуму.
Готовый проверяемый шаблон
import jax
import jax.numpy as jnp
def body(step_index, weight):
del step_index
gradient = 2. * (weight - 3.)
return weight - 0.1 * gradient
initial = jnp.array(0.)
compiled_result = jax.lax.fori_loop(0, 5, body, initial)
reference = initial
for i in range(5):
reference = body(i, reference)
assert jnp.allclose(compiled_result, reference)
assert jnp.allclose(compiled_result, 2.01696)
assert jnp.abs(compiled_result - 3.) < jnp.abs(initial - 3.)
print(compiled_result)
Вход и ожидаемый результат
Пять шагов от веса 0 с learning rate 0,1 дали 2,01696 — точно как Python-loop. Расстояние до минимума квадратичной функции в точке 3 уменьшилось с 3 до примерно 0,983.
Как проверить результат
Сравните с Python-эталоном на малом числе шагов, проверьте структуру и dtype carry. Отдельно тестируйте статические и runtime-границы, если от них зависит autodiff. Для настоящего обучения сохраняйте метрики через scan или расширенный carry.
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 менять форму carry между итерациями.
- Не полагаться на reverse-mode при динамическом trip count без проверки lowering.
- Не помещать изменяемое внешнее состояние в body.
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
Какие аргументы получает body?
Текущий индекс и carry.
Включается ли upper?
Нет, выполняются индексы от lower до upper-1.
Почему важны статические границы?
Они позволяют реализацию через scan и поддержку reverse-mode.
Официальные источники
Частые вопросы
Какие аргументы получает body?
Текущий индекс и carry.
Включается ли upper?
Нет, выполняются индексы от lower до upper-1.
Почему важны статические границы?
Они позволяют реализацию через scan и поддержку reverse-mode.
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