Гайд · TNWS AI
Как создать линейный слой через Flax NNX Linear
Flax 0.12.10: инициализация nnx.Linear, формы kernel и bias, пакетный forward и проверка ручной матричной формулы.
Задача и применимость
Актуальный запрос: «как создать Linear слой Flax NNX». Создать полносвязный слой с тремя входными и двумя выходными признаками и проверить его контракт без обучения. В NNX параметры инициализируются сразу при создании объекта через поток nnx.Rngs. Для входа формы (batch, in_features) результат имеет форму (batch, out_features), kernel — (in_features, out_features), bias — (out_features,).
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 отдельный контейнер nnx.Rngs с фиксированным seed.
- Инициализируйте nnx.Linear(3, 2, rngs=rngs).
- Передайте batch из четырёх строк по три признака.
- Сравните output с ручной формулой
x @ kernel + biasи проверьте формы.
Готовый проверяемый шаблон
import jax.numpy as jnp
from flax import nnx
layer = nnx.Linear(3, 2, rngs=nnx.Rngs(0))
x = jnp.ones((4, 3), dtype=jnp.float32)
output = layer(x)
manual = x @ layer.kernel[...] + layer.bias[...]
assert layer.kernel[...].shape == (3, 2)
assert layer.bias[...].shape == (2,)
assert output.shape == (4, 2)
assert jnp.allclose(output, manual)
assert jnp.isfinite(output).all()
print(output.shape, layer.kernel[...].shape, layer.bias[...].shape)
Вход и ожидаемый результат
Пакет (4,3) дал результат (4,2), kernel имел форму (3,2), bias — (2,). Результат вызова слоя полностью совпал с явным матричным умножением и сложением bias.
Как проверить результат
Проверяйте batch из одной и нескольких строк, dtype и число признаков. Негативный вход с последней осью не равной трём должен завершаться ошибкой размерностей. Конкретные веса зависят от seed и initializer, поэтому устойчивым эталоном служат форма, конечность и ручная формула.
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 batch-ось с осью признаков.
- Не читать или менять внутренний счётчик RNG вместо публичного Rngs.
- Не фиксировать конкретные случайные веса как универсальный результат другой версии.
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
Какая форма kernel?
(in_features, out_features).
Когда создаются параметры?
Сразу при инициализации NNX-модуля.
Можно передать одиночный вектор?
Да, если его последняя ось равна in_features.
Официальные источники
Частые вопросы
Какая форма kernel?
`(in_features, out_features)`.
Когда создаются параметры?
Сразу при инициализации NNX-модуля.
Можно передать одиночный вектор?
Да, если его последняя ось равна in_features.
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