Гайд · TNWS AI
Почему Optax apply_every не равен большому batch
Optax 0.2.6: apply_every суммирует gradients, но соседние transforms в chain обновляют state на каждом вызове.
Задача и применимость
Актуальный запрос: «почему Optax apply_every не эквивалентен большому batch». Проверить базовую механику apply_every(k=2): gradient 2 сначала удерживается, затем вместе с gradient 4 выпускается как сумма 6. Официальная документация предупреждает, что другие transforms в chain всё равно обновляют state на каждом microstep, поэтому композиция не обязана совпадать с optimizer на большом batch. Для эквивалентного накопления предназначен MultiSteps. 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 apply_every с k=2.
- Передайте два скалярных gradient последовательно.
- Убедитесь, что первый output нулевой, второй равен сумме 6.
- Перед выбором между apply_every и MultiSteps определите требуемую семантику state.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
tx = optax.apply_every(k=2)
state = tx.init({"w": jnp.array([0.0])})
u1, state = tx.update({"w": jnp.array([2.0])}, state)
u2, state = tx.update({"w": jnp.array([4.0])}, state)
assert jnp.allclose(u1["w"], 0.0)
assert jnp.allclose(u2["w"], 6.0)
print(u1, u2)
Вход и ожидаемый результат
Вызовы с 2 и 4 вернули соответственно 0 и 6. Это сумма, а не среднее. Добавление Adam после/до transform требует отдельного теста state и не превращает схему автоматически в большой batch.
Как проверить результат
Сравните параметры и optimizer state с контрольным большим batch минимум на двух циклах. Если нужна эквивалентность обновления базового optimizer только раз в k шагов, используйте MultiSteps. Учитывайте масштаб learning rate при суммировании.
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 output средним gradient.
- Не игнорировать обновление state других transforms.
- Не заменять MultiSteps на apply_every без regression-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 выпускается на k-м шаге?
Накопленная сумма gradients.
Почему Adam может отличаться?
Его state в chain может обновляться на каждом вызове.
Что выбрать для имитации большого batch?
Официальная документация рекомендует MultiSteps.
Официальные источники
Частые вопросы
Что выпускается на k-м шаге?
Накопленная сумма gradients.
Почему Adam может отличаться?
Его state в chain может обновляться на каждом вызове.
Что выбрать для имитации большого batch?
Официальная документация рекомендует MultiSteps.
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