Гайд · TNWS AI
Как заменить NaN в gradients через Optax zero_nans
Optax 0.2.6: zero_nans заменяет NaN нулями и отмечает проблемные листья; проверка смешанного gradient.
Задача и применимость
Актуальный запрос: «как использовать zero_nans Optax». Заменить только NaN-компоненты gradient нулями, сохранив конечные компоненты. optax.zero_nans возвращает state found_nan по структуре PyTree, что позволяет увидеть проблемные листья. Inf не следует автоматически считать тем же случаем без отдельной проверки. Применимость ограничена диагностическими или сознательно устойчивыми pipelines. Для большинства обучений появление NaN должно запускать расследование входных данных, переполнения mixed precision, неверной loss и слишком большого learning rate. Сравните параметры до и после шага, чтобы понимать фактическое влияние занулённого компонента. Добавьте отдельный тест для нескольких листьев PyTree: флаг должен точно показывать проблемный путь, а исправные листья не должны изменяться неожиданно.
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 gradient
[NaN,2]. - Инициализируйте zero_nans и вызовите update.
- Проверьте результат
[0,2]. - Проверьте флаг found_nan соответствующего листа и добавьте мониторинг.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
grads = {"w": jnp.array([jnp.nan, 2.])}
tx = optax.zero_nans()
updates, state = tx.update(grads, tx.init(grads))
assert jnp.array_equal(updates["w"], jnp.array([0., 2.]))
assert bool(state.found_nan["w"]) is True
assert jnp.isfinite(updates["w"]).all()
print(updates, state.found_nan)
Вход и ожидаемый результат
NaN-компонент стал нулём, конечное значение 2 сохранилось. found_nan['w'] было True, поэтому факт очистки не потерялся.
Как проверить результат
Проверяйте состояние и алертируйте, а не только конечность output. Нулевой gradient меняет траекторию обучения и может скрыть повреждённые данные. Для Inf используйте явную общую проверку finite или apply_if_finite.
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 считать zero_nans исправлением источника NaN.
- Не игнорировать found_nan.
- Не предполагать автоматическую обработку всех Inf без теста.
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 заменяется?
NaN-компоненты updates.
Что происходит с конечными числами?
Они сохраняются.
Как узнать о срабатывании?
По PyTree флагов state.found_nan.
Официальные источники
Частые вопросы
Что заменяется?
NaN-компоненты updates.
Что происходит с конечными числами?
Они сохраняются.
Как узнать о срабатывании?
По PyTree флагов `state.found_nan`.
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