Гайд · TNWS AI
Как усреднять веса через Optax incremental_update
Optax 0.2.6: Polyak update вычисляет step_size·new+(1-step_size)·old для целого PyTree параметров.
Задача и применимость
Актуальный запрос: «как усреднять веса модели Optax incremental_update Polyak». Обновить отдельную усреднённую копию параметров формулой Polyak averaging. При new=4, old=0 и step_size=0,25 результат равен 1. Функция возвращает новый PyTree и не мутирует ни online, ни averaged параметры. Для production отдельно зафиксируйте структуру PyTree, dtype, момент вызова относительно JIT и порядок соседних transformations. Добавьте негативный тест на несовместимую маску, неверный счётчик или отсутствующий batch axis — в зависимости от задачи. Численный unit test должен выполняться при каждом обновлении Optax.
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 разные способы накопления, маскирования и усреднения: похожие названия имеют разные контракты. При переносе сначала закрепите ожидаемую математику unit-тестом и следуйте документации установленной версии.
Пошаговое решение
- Создайте online и averaged PyTree одинаковой структуры.
- Выберите step_size в диапазоне от 0 до 1.
- Вызовите incremental_update после фактического optimizer step.
- Проверьте ручную формулу на каждом листе.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
online = {"w": jnp.array([4.0])}
averaged = {"w": jnp.array([0.0])}
result = optax.incremental_update(online, averaged, step_size=0.25)
assert jnp.allclose(result["w"], jnp.array([1.0]))
assert jnp.array_equal(online["w"], jnp.array([4.0]))
assert jnp.array_equal(averaged["w"], jnp.array([0.0]))
print(result)
Вход и ожидаемый результат
Новая averaged-копия получила значение 1: 0,25·4+0,75·0. Исходные trees сохранили значения, что подтверждает функциональный контракт.
Как проверить результат
Храните online и averaged weights раздельно в checkpoint. Проверяйте, какой набор используется для evaluation и экспорта. В распределённом обучении вызывайте усреднение после синхронизированного optimizer step одинаковое число раз на всех workers.
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 подменять online weights усреднёнными во время обычного обучения без дизайна алгоритма.
- Не менять порядок new_tensors и old_tensors.
- Не терять averaged copy при resume.
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
Какова формула?
step_size·new+(1-step_size)·old.
Мутируются ли аргументы?
Нет, возвращается новый PyTree.
Когда обновлять копию?
Обычно после принятого optimizer update.
Официальные источники
Частые вопросы
Какова формула?
step_size·new+(1-step_size)·old.
Мутируются ли аргументы?
Нет, возвращается новый PyTree.
Когда обновлять копию?
Обычно после принятого optimizer update.
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