Гайд · TNWS AI
Как задать разные learning rate через Optax partition
Optax 0.2.6: partition применяет SGD 0,1 к kernel и 0,01 к bias; проверка отдельных updates по labels PyTree.
Задача и применимость
Актуальный запрос: «как использовать partition Optax для разных параметров». Применить разные optimizers к частям параметров одной модели. optax.partition принимает словарь transforms и labels PyTree той же структуры: kernel получает SGD 0,1, bias — SGD 0,01. При единичных gradients updates различаются ровно в десять раз. На реальной модели labels лучше строить детерминированно по именованным путям и покрывать unit test. После добавления нового слоя тест обязан завершиться ошибкой или явно назначить ему группу, а не молча применить случайный optimizer.
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/grads с kernel и bias.
- Создайте labels с ключами fast и slow.
- Передайте два SGD в partition.
- Выполните update и проверьте каждый новый параметр отдельно.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
params = {"kernel": jnp.array([1.]), "bias": jnp.array([1.])}
grads = {"kernel": jnp.array([1.]), "bias": jnp.array([1.])}
labels = {"kernel": "fast", "bias": "slow"}
tx = optax.partition({"fast": optax.sgd(0.1), "slow": optax.sgd(0.01)}, labels)
state = tx.init(params)
updates, state = tx.update(grads, state, params)
new_params = optax.apply_updates(params, updates)
assert jnp.allclose(updates["kernel"], -0.1)
assert jnp.allclose(updates["bias"], -0.01)
assert jnp.allclose(new_params["kernel"], 0.9)
assert jnp.allclose(new_params["bias"], 0.99)
print(updates, new_params)
Вход и ожидаемый результат
Одинаковые gradients дали kernel update -0,1 и bias update -0,01. Параметры стали соответственно 0,9 и 0,99, что подтвердило маршрутизацию по labels.
Как проверить результат
Проверьте покрытие каждого param path ровно одной label. При изменении архитектуры regression test должен обнаружить новый непомеченный путь. Сохраняйте PartitionState вместе с параметрами и схемой labels.
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 оставлять параметры без валидной label.
- Не строить labels по случайному порядку листьев.
- Не менять словарь transforms без миграции optimizer state.
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
Что заменило multi_transform?
Актуальная документация показывает partition для разбиения transforms.
Какая структура у labels?
Совместимая с params либо callable, возвращающий labels.
Можно использовать разные optimizer types?
Да, каждому label соответствует свой GradientTransformation.
Официальные источники
Частые вопросы
Что заменило multi_transform?
Актуальная документация показывает `partition` для разбиения transforms.
Какая структура у labels?
Совместимая с params либо callable, возвращающий labels.
Можно использовать разные optimizer types?
Да, каждому label соответствует свой GradientTransformation.
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