Гайд · TNWS AI
Как проверить устройства и backend JAX перед запуском нейросети
Диагностика JAX 0.11.2: default_backend, devices, platform, размещение массива и проверка вычисления без ошибочного ожидания GPU.
Задача и применимость
Актуальный запрос: «как проверить JAX devices CPU GPU backend». Определить, какой backend и какие устройства действительно доступны текущему процессу. Установленный драйвер или наличие GPU в компьютере не гарантирует, что конкретная сборка jaxlib видит ускоритель. jax.default_backend() показывает backend по умолчанию, jax.devices() возвращает устройства, а свойство массива device позволяет проверить фактическое размещение результата.
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
- Выведите версии jax и jaxlib.
- Получите default_backend и полный список devices.
- Создайте небольшой массив и выполните матричное умножение.
- Проверьте устройство результата и численный эталон.
Готовый проверяемый шаблон
import jax
import jaxlib
import jax.numpy as jnp
import numpy as np
devices = jax.devices()
backend = jax.default_backend()
x = jnp.array([[1., 2.], [3., 4.]], dtype=jnp.float32)
y = x @ x
assert len(devices) >= 1
assert backend in {d.platform for d in devices}
np.testing.assert_allclose(np.asarray(y), [[7.,10.],[15.,22.]])
assert y.device in devices
print(jax.__version__, jaxlib.__version__, backend, devices)
Вход и ожидаемый результат
В проверенной CPU-среде JAX 0.11.2 возвращает хотя бы одно устройство, backend cpu и матрицу [[7,10],[15,22]]. На другой машине список может содержать GPU или TPU; статья не фиксирует платформу как универсальную.
Как проверить результат
Сверяйте backend, device.platform, версии и значение тестовой операции в одном запуске. Для GPU дополнительно выполните рабочий оператор и benchmark после синхронизации: наличие строки в devices само по себе не доказывает ускорение.
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 определяйте GPU только по внешней команде драйвера.
- Не обещайте ускорение по факту установки пакета.
- Не сравнивайте асинхронное время без блокировки результата.
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
Что показывает default_backend?
Backend, выбранный JAX по умолчанию в процессе.
Где лежит конкретный массив?
У JAX Array доступно свойство device.
CPU считается ошибкой?
Нет, это полноценный backend; производительность оценивают по задаче.
Официальные источники
Частые вопросы
Что показывает default_backend?
Backend, выбранный JAX по умолчанию в процессе.
Где лежит конкретный массив?
У JAX Array доступно свойство `device`.
CPU считается ошибкой?
Нет, это полноценный backend; производительность оценивают по задаче.
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