Гайд · TNWS AI
Как проверить self-attention через Flax NNX MultiHeadAttention
Flax 0.12.10: self-attention с двумя головами, вход `[batch,length,features]`, output той же формы и проверка конечности.
Задача и применимость
Актуальный запрос: «как использовать MultiHeadAttention Flax NNX self attention». Выполнить детерминированный self-attention над последовательностью. Если inputs_k и inputs_v не переданы, MultiHeadAttention использует query также как key и value. Вход имеет форму [batch..., length, features]; qkv_features=4 делится на две головы, out_features=4 возвращает исходную ширину признаков.
Материал проверен на Flax 0.12.10, 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 примеры NNX с похожими по названию конструкциями Linen: у них различаются жизненный цикл Module, представление состояния, инициализация и способы применения transformations. При переносе кода сначала выберите один API и следуйте документации именно его версии.
Пошаговое решение
- Создайте attention с num_heads=2 и шириной признаков 4.
- Отключите dropout и задайте deterministic=True.
- Передайте batch из двух последовательностей длиной три.
- Проверьте форму, конечность и воспроизводимость повторного вызова.
Готовый проверяемый шаблон
import jax.numpy as jnp
from flax import nnx
attention = nnx.MultiHeadAttention(
num_heads=2, in_features=4, qkv_features=4, out_features=4,
dropout_rate=0.0, deterministic=True, decode=False,
rngs=nnx.Rngs(0),
)
x = jnp.arange(24, dtype=jnp.float32).reshape(2, 3, 4) / 10.
output1 = attention(x)
output2 = attention(x)
assert output1.shape == (2, 3, 4)
assert jnp.isfinite(output1).all()
assert jnp.allclose(output1, output2)
assert not jnp.allclose(output1, x)
print(x.shape, output1.shape, float(jnp.linalg.norm(output1)))
Вход и ожидаемый результат
Вход (2,3,4) интерпретирован как две последовательности по три токена с четырьмя признаками. Self-attention вернул (2,3,4), два вызова совпали, а output не был тождественен входу.
Как проверить результат
Проверяйте делимость qkv_features на число голов, порядок [batch,length,features], маску и causal contract отдельно. Тест без dropout должен быть детерминированным. Для padding mask добавьте пример, где изменение замаскированного токена не влияет на разрешённые позиции.
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 менять местами length и features.
- Не включать dropout без dropout RNG и теста режима.
- Не считать self-attention автоматически causal: causal mask задаётся явно.
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
Почему не переданы key и value?
При их отсутствии модуль выполняет self-attention по query.
Какова форма входа?
[batch..., length, features].
Всегда ли attention causal?
Нет, causal-поведение требует соответствующей маски или настройки.
Официальные источники
Частые вопросы
Почему не переданы key и value?
При их отсутствии модуль выполняет self-attention по query.
Какова форма входа?
`[batch..., length, features]`.
Всегда ли attention causal?
Нет, causal-поведение требует соответствующей маски или настройки.
Читайте также
Как накопить средний loss через Flax NNX metrics.Average
Flax 0.12.10: Average учитывает каждый элемент двух batch, compute возвращает общий mean, reset очищает состояние.
Как нормализовать каналы через Flax NNX GroupNorm
Flax 0.12.10: GroupNorm для NHWC, четыре канала и две группы, проверка статистик без зависимости от batch.
Как нормализовать каждый канал через Flax NNX InstanceNorm
Flax 0.12.10: InstanceNorm для NHWC нормирует пространственные значения каждого канала и каждого изображения отдельно.
Комментарии
Пока тихо. Скажите первое слово