Гайд · TNWS AI
Как проверить weight decay в Optax AdamW
Optax 0.2.6: изолируем decoupled weight decay на нулевом gradient и проверяем точный update параметра.
Задача и применимость
Актуальный запрос: «как использовать AdamW в Optax weight decay». Изолировать вклад decoupled weight decay в optax.adamw. При нулевом gradient адаптивная часть не двигает параметр, поэтому для веса 2, learning rate 0,1 и weight_decay 0,01 ожидаемый update равен -0,002. Такой тест проверяет конфигурацию, но не доказывает, что выбранный коэффициент улучшает validation. Для production отдельно зафиксируйте структуру PyTree, dtype, момент вызова относительно JIT и порядок соседних transformations. Добавьте негативный тест на несовместимую маску, неверный счётчик или отсутствующий batch axis — в зависимости от задачи. Численный unit test должен выполняться при каждом обновлении Optax.
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 разные способы накопления, маскирования и усреднения: похожие названия имеют разные контракты. При переносе сначала закрепите ожидаемую математику unit-тестом и следуйте документации установленной версии.
Пошаговое решение
- Создайте параметр со значением 2 и нулевой gradient.
- Инициализируйте adamw с learning_rate=0.1 и weight_decay=0.01.
- Вызовите update с обязательным params.
- Сверьте update и новый параметр с ручным decoupled decay.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
params = {"w": jnp.array([2.0])}
grads = {"w": jnp.array([0.0])}
tx = optax.adamw(learning_rate=0.1, weight_decay=0.01)
updates, state = tx.update(grads, tx.init(params), params)
new_params = optax.apply_updates(params, updates)
assert jnp.allclose(updates["w"], jnp.array([-0.002]))
assert jnp.allclose(new_params["w"], jnp.array([1.998]))
print(updates, new_params)
Вход и ожидаемый результат
Входной вес 2 и нулевой gradient дали update -0,002; после применения вес стал 1,998. Это отделяет decay от моментов Adam и делает знак проверяемым.
Как проверить результат
Повторите тест с weight_decay=0: update должен стать нулевым. Затем проверьте mask для bias и нормализационных scale. В рабочем обучении сравнивайте validation и нормы параметров, а не только train loss.
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 путать AdamW с добавлением L2 к loss.
- Не вызывать update без params, когда нужен decay.
- Не применять одинаковый decay ко всем листьям без проверки маски.
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 gradient нулевой?
Чтобы измерить только weight decay.
От чего зависит шаг decay?
От learning rate, weight_decay и текущего параметра.
Доказывает ли тест пользу регуляризации?
Нет, это проверка реализации; коэффициент выбирают по validation.
Официальные источники
Частые вопросы
Почему gradient нулевой?
Чтобы измерить только weight decay.
От чего зависит шаг decay?
От learning rate, weight_decay и текущего параметра.
Доказывает ли тест пользу регуляризации?
Нет, это проверка реализации; коэффициент выбирают по validation.
Читайте также
Как исключить bias из weight decay через Optax
Optax 0.2.6: маска add_decayed_weights применяет decay к kernel и оставляет bias без изменения.
Как ограничить gradient каждого примера через Optax
Optax 0.2.6: per_example_global_norm_clip отдельно ограничивает batch-градиенты и возвращает их сумму и число clipping-событий.
Как накапливать gradients через Optax MultiSteps
Optax 0.2.6: MultiSteps усредняет два microbatch-gradient и обновляет SGD только на каждом втором вызове.
Комментарии
Пока тихо. Скажите первое слово