Гайд · TNWS AI
Как сделать первый шаг Adam через Optax
Optax 0.2.6: состояние Adam, первый update, apply_updates и проверка конечности и направления шага.
Задача и применимость
Актуальный запрос: «как использовать Adam Optax». Выполнить первый шаг Adam и увидеть отличие от чистого SGD. Adam хранит моменты gradients и счётчик, поэтому величина первого update близка к learning rate по каждому ненулевому компоненту, а не просто lr*gradient. Точное значение зависит от epsilon и bias correction, поэтому проверяется численно в указанной версии.
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 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 params и ненулевой gradient.
- Инициализируйте optax.adam(0.1).
- Получите первый updates и примените его.
- Проверьте уменьшение параметра в направлении положительного gradient и конечность состояния.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
params = {"w": jnp.array([1., -1.])}
grads = {"w": jnp.array([0.5, -0.5])}
tx = optax.adam(learning_rate=0.1)
state = tx.init(params)
updates, state = tx.update(grads, state, params)
new_params = optax.apply_updates(params, updates)
assert jnp.allclose(updates["w"], jnp.array([-0.09999934, 0.09999934]), atol=1e-6)
assert new_params["w"][0] < params["w"][0]
assert new_params["w"][1] > params["w"][1]
assert jnp.isfinite(new_params["w"]).all()
print(updates, new_params)
Вход и ожидаемый результат
Первый update был приблизительно [-0.09999934,0.09999934], новые параметры — [0.9000007,-0.9000007]. Оба компонента сдвинулись против соответствующего gradient.
Как проверить результат
Не делайте универсальный эталон из первого шага при другом epsilon/betas. Проверяйте направление, конечность, state count и regression-значения только при закреплённой версии. После восстановления обучения обязательно загружайте моменты Adam.
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 восстанавливать только params без optimizer state при продолжении обучения.
- Не сравнивать Adam и SGD по одному шагу как качество модели.
- Не менять betas без нового validation.
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 update почти равен lr?
На первом шаге нормализация моментами и bias correction масштабирует ненулевой gradient.
Есть ли состояние?
Да, моменты и счётчик.
Нужен ли params в update?
Передавайте его для совместимости с transforms, которым параметры нужны.
Официальные источники
Частые вопросы
Почему update почти равен lr?
На первом шаге нормализация моментами и bias correction масштабирует ненулевой gradient.
Есть ли состояние?
Да, моменты и счётчик.
Нужен ли params в update?
Передавайте его для совместимости с transforms, которым параметры нужны.
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