Гайд · TNWS AI
Как усреднить окна через Flax NNX avg_pool
Flax 0.12.10: average pooling окнами 2×2 со stride 2 и VALID padding, точная проверка значений и формы NHWC.
Задача и применимость
Актуальный запрос: «как использовать avg_pool Flax NNX». Сжать карту признаков 4×4 до 2×2, заменив каждое непересекающееся окно 2×2 средним. nnx.avg_pool ожидает batch, пространственные измерения и features в конце. При VALID padding и stride (2,2) каждое значение результата имеет ровно четыре реальных слагаемых. Такой тест обнаруживает неверный layout раньше, чем ошибка распространится в свёртки и классификатор. Явный expected-массив документирует геометрию каждого окна.
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 возрастающую карту
(1,4,4,1). - Вызовите avg_pool с окном и stride 2×2.
- Сравните результат с вручную рассчитанными средними.
- Проверьте форму и конечность.
Готовый проверяемый шаблон
import jax.numpy as jnp
from flax import nnx
x = jnp.arange(16, dtype=jnp.float32).reshape(1, 4, 4, 1)
y = nnx.avg_pool(x, window_shape=(2, 2), strides=(2, 2), padding="VALID")
expected = jnp.array([[[[2.5], [4.5]], [[10.5], [12.5]]]])
assert y.shape == (1, 2, 2, 1)
assert jnp.array_equal(y, expected)
assert jnp.isfinite(y).all()
print(y[..., 0])
Вход и ожидаемый результат
Четыре окна дали средние 2.5, 4.5, 10.5, 12.5; output имел форму (1,2,2,1). Проверка ловит ошибочный stride или перестановку осей.
Как проверить результат
Для SAME padding отдельно задайте политику count_include_pad, потому что включение добавленных значений меняет среднее на границе. Используйте несимметричный вход, где неверная геометрия заметна по числам.
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 average pooling с max pooling.
- Не полагаться на default strides, если нужно уменьшение вдвое.
- Не игнорировать count_include_pad при SAME.
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
Есть ли обучаемые веса?
Нет.
Что делает VALID?
Не добавляет padding.
Какова feature-ось?
Последняя ось входа и результата.
Официальные источники
Частые вопросы
Есть ли обучаемые веса?
Нет.
Что делает VALID?
Не добавляет padding.
Какова feature-ось?
Последняя ось входа и результата.
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