Гайд · TNWS AI
Почему Optax masked не замораживает параметры
Optax 0.2.6: masked преобразует выбранные листья, а остальные updates пропускает; точный тест kernel и bias.
Задача и применимость
Актуальный запрос: «почему Optax masked не замораживает параметры». Показать контракт optax.masked: masked=True передаёт лист во внутренний transform, masked=False пропускает исходный update без изменения. Поэтому masked(scale(-0.5)) превращает kernel update 2 в -1, но bias update 3 остаётся 3. Это не механизм заморозки. 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 updates для kernel и bias.
- Оберните scale(-0.5) маской только kernel.
- Выполните update без применения к реальной модели.
- Сравните оба листа и подтвердите pass-through для False.
Готовый проверяемый шаблон
import jax.numpy as jnp
import optax
raw = {"kernel": jnp.array([2.0]), "bias": jnp.array([3.0])}
tx = optax.masked(optax.scale(-0.5), {"kernel": True, "bias": False})
updates, _ = tx.update(raw, tx.init(raw))
assert jnp.allclose(updates["kernel"], jnp.array([-1.0]))
assert jnp.allclose(updates["bias"], jnp.array([3.0]))
print(updates)
Вход и ожидаемый результат
Kernel был масштабирован 2→-1, bias прошёл как 3. Если применить эти updates к параметрам, bias изменится, поэтому masked нельзя выдавать за freeze.
Как проверить результат
Проверяйте обе ветви маски отдельными ненулевыми значениями. Для weight decay pass-through обычно желателен, потому что следующий optimizer transform обработает лист. Для заморозки нужен нулевой update.
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 False равным set_to_zero.
- Не тестировать маску только нулевыми gradients.
- Не использовать masked как freeze без внешнего set_to_zero/selective_transform.
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 происходит при False?
Update проходит без внутреннего преобразования.
Когда masked подходит?
Когда transform нужен лишь части PyTree, например decay.
Чем замораживать?
selective_transform с freeze_mask.
Официальные источники
Частые вопросы
Что происходит при False?
Update проходит без внутреннего преобразования.
Когда masked подходит?
Когда transform нужен лишь части PyTree, например decay.
Чем замораживать?
`selective_transform` с freeze_mask.
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