Гайд · TNWS AI
Как сделать label smoothing через Optax smooth_labels
Optax 0.2.6: сглаживаем one-hot метку трёх классов с alpha 0,1 и проверяем сумму вероятностей.
Задача и применимость
Актуальный запрос: «как сделать label smoothing Optax smooth_labels». Преобразовать one-hot labels в мягкое распределение перед softmax cross-entropy. Для трёх классов, исходной метки [1,0,0] и alpha=0,1 результат равен примерно [0,9333333,0,0333333,0,0333333]. Масса остаётся равной 1. Функция не принимает integer class ids напрямую. При сравнении держите одинаковыми augmentation, seed и temperature калибровки. Smoothing способен улучшить или ухудшить calibration в зависимости от данных, поэтому сохраняйте reliability metrics и не делайте вывод по одной accuracy.
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 loss-функции с похожими названиями: они различаются ожидаемыми labels, формой результата и численной нормировкой. Сначала закрепите logits/targets/reduction контракт тестом и следуйте документации установленной версии.
Пошаговое решение
- Преобразуйте class ids в one-hot labels.
- Выберите alpha и примените smooth_labels.
- Проверьте неотрицательность и сумму по class axis.
- Передайте мягкие labels в softmax_cross_entropy, не integer-вариант.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
labels = jnp.array([[1., 0., 0.]])
smoothed = optax.smooth_labels(labels, alpha=0.1)
expected = jnp.array([[0.93333334, 0.03333334, 0.03333334]])
assert jnp.allclose(smoothed, expected)
assert jnp.allclose(smoothed.sum(axis=-1), 1.0)
print(smoothed)
Вход и ожидаемый результат
Вероятность истинного класса снизилась до 0,9333333, два остальных получили по 0,0333333; сумма осталась 1.
Как проверить результат
Проверяйте alpha=0 как identity и сумму распределения для каждого объекта. Не используйте integer-label cross-entropy после smoothing. Сравнивайте calibration, accuracy и NLL на validation, 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 передавать integer labels в smooth_labels.
- Не смешивать smoothing с integer-label loss.
- Не считать alpha универсально полезным для любой задачи.
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
Какие labels нужны?
One-hot или уже вероятностные распределения.
Что делает alpha=0?
Оставляет labels без изменения.
Куда передавать результат?
В softmax_cross_entropy, принимающую распределения.
Официальные источники
Частые вопросы
Какие labels нужны?
One-hot или уже вероятностные распределения.
Что делает alpha=0?
Оставляет labels без изменения.
Куда передавать результат?
В softmax_cross_entropy, принимающую распределения.
Читайте также
Как использовать Huber loss в Optax для регрессии с выбросами
Optax 0.2.6: Huber loss квадратичен около нуля и линеен после delta; проверяем ошибки 0,5 и 2.
Как использовать sigmoid focal loss в Optax
Optax 0.2.6: focal loss для logits 0 и labels 0/1 при gamma=2; проверка симметричного базового значения.
Как посчитать binary cross-entropy по logits в Optax
Optax 0.2.6: sigmoid_binary_cross_entropy принимает logits и метки 0/1; проверяем базовый уровень ln(2).
Комментарии
Пока тихо. Скажите первое слово