Гайд · TNWS AI
Как разделить и собрать модель через Flax NNX split и merge
Flax 0.12.10: GraphDef отделяет статическую структуру, State содержит массивы, merge восстанавливает эквивалентный forward.
Задача и применимость
Актуальный запрос: «как использовать Flax NNX split merge GraphDef State». Перейти от stateful Python-объекта к функциональному представлению из GraphDef + State и восстановить модуль. GraphDef хранит статические и структурные сведения, State — JAX arrays в pytree. Это основа взаимодействия с функциональными JAX transformations и сериализацией без потери структуры ссылок NNX.
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 Linear и вычислите контрольный output.
- Вызовите nnx.split и получите graphdef и state.
- Восстановите новый объект через nnx.merge.
- Сравните output, формы состояния и убедитесь, что восстановленный объект работоспособен.
Готовый проверяемый шаблон
import jax
import jax.numpy as jnp
from flax import nnx
model = nnx.Linear(2, 1, rngs=nnx.Rngs(0))
x = jnp.array([[1., 2.], [3., 4.]])
expected = model(x)
graphdef, state = nnx.split(model)
restored = nnx.merge(graphdef, state)
actual = restored(x)
assert jnp.allclose(actual, expected)
shapes = jax.tree.map(lambda value: value.shape, state)
assert shapes["kernel"] == (2, 1)
assert shapes["bias"] == (1,)
print(shapes, actual)
Вход и ожидаемый результат
После split State содержал kernel (2,1) и bias (1,). Модель, восстановленная через merge, дала на двух входах тот же output в численном допуске.
Как проверить результат
Сравните не только output, но и пути/формы State. После изменения кода модели старый GraphDef или State может быть несовместим; миграцию проверяют на отдельной копии checkpoint и фиксированном regression batch.
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 считать GraphDef контейнером весов.
- Не объединять State от другой архитектуры только из-за похожих размеров.
- Не мутировать исходную модель во время теста эквивалентности.
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
Что хранит GraphDef?
Статическую структуру и Pythonic части графа.
Что хранит State?
Переменные и JAX arrays модели.
Что делает merge?
Восстанавливает NNX graph node из GraphDef и State.
Официальные источники
Частые вопросы
Что хранит GraphDef?
Статическую структуру и Pythonic части графа.
Что хранит State?
Переменные и JAX arrays модели.
Что делает merge?
Восстанавливает NNX graph node из GraphDef и State.
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