Гайд · TNWS AI
Как отслеживать learning rate через Optax inject_hyperparams
Optax 0.2.6: stateful wrapper для SGD и linear schedule; learning rate хранится в optimizer state и меняется по шагам.
Задача и применимость
Актуальный запрос: «как использовать inject_hyperparams Optax». Поместить вычисляемый learning rate в optimizer state для наблюдаемости и checkpoint. optax.inject_hyperparams(optax.sgd) создаёт factory; callable schedule превращается в stateful hyperparameter, а текущее значение доступно в state.hyperparams['learning_rate']. Наблюдаемое значение особенно полезно при сложных schedules и возобновлении обучения: оно позволяет проверить, что checkpoint восстановил не только веса, но и временную позицию optimizer. Записывайте count и learning rate в один шаг журнала.
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 linear schedule от 0,1 до 0,01 за 10 шагов.
- Оберните factory SGD через inject_hyperparams.
- Инициализируйте optimizer и выполните update.
- Проверьте сохранённый learning rate и увеличение count.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
params = {"w": jnp.array([1.])}
schedule = optax.linear_schedule(0.1, 0.01, transition_steps=10)
tx = optax.inject_hyperparams(optax.sgd)(learning_rate=schedule)
state = tx.init(params)
updates, state = tx.update({"w": jnp.array([1.])}, state, params)
assert jnp.allclose(state.hyperparams["learning_rate"], 0.1)
assert int(state.count) == 1
assert jnp.allclose(updates["w"], -0.1)
print(state.count, state.hyperparams, updates)
Вход и ожидаемый результат
На первом update state содержал learning rate 0,1 и count 1; update параметра был -0,1. Schedule state также продвинулся на один шаг.
Как проверить результат
Логируйте hyperparameter из state рядом с loss и global norm. После resume сравните count с ожидаемым optimizer step. Не читайте внутренние tuple-позиции state: используйте именованные поля официального wrapper.
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 пересоздавать state каждый шаг.
- Не сбрасывать count при resume.
- Не путать текущее значение schedule с его factory/config.
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
Где виден learning rate?
В state.hyperparams.
Что делает count?
Отслеживает число optimizer updates.
Зачем wrapper?
Он инъецирует stateful schedules и делает их значения наблюдаемыми.
Официальные источники
Частые вопросы
Где виден learning rate?
В `state.hyperparams`.
Что делает count?
Отслеживает число optimizer updates.
Зачем wrapper?
Он инъецирует stateful schedules и делает их значения наблюдаемыми.
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