Optax v0.2.5 版本更新：深度学习优化器库的重大升级

前言

Optax 是 Google DeepMind 开发的一个专注于优化算法的 JAX 库，它为机器学习研究提供了丰富的梯度变换和优化器实现。作为 JAX 生态系统中的重要组成部分，Optax 以其简洁的 API 设计和高效的实现赢得了广大研究者的青睐。本次 v0.2.5 版本的发布带来了多项重要改进和新特性，包括新优化器的加入、现有功能的增强以及文档的完善。

核心更新内容

1. 新增优化器算法

Sophia-H 优化器的引入是本版本的一大亮点。这是一种基于 Hessian 信息的新型优化器，特别适合处理大规模语言模型的训练任务。与传统的 Adam 优化器相比，Sophia-H 在保持相似收敛速度的同时，显著减少了内存占用。

Muon 优化器被添加到了 contrib 模块中。这种优化器采用了独特的动量更新策略，在特定任务上展现出比传统方法更稳定的训练特性。Muon 优化器还新增了对权重衰减的支持，使其更适合实际应用场景。

AdeMAMix 优化器及其简化版本也被纳入 contrib 模块。这类优化器结合了自适应矩估计和动量加速技术，在保持自适应学习率优势的同时，通过动量机制加速收敛过程。

2. 现有优化器的改进

对 L-BFGS 算法进行了重要修复，现在它能够正确处理复数参数的优化问题。这一改进使得 L-BFGS 可以应用于更广泛的科学计算领域。

回溯线搜索算法得到了类型稳定性增强，现在其初始化和更新操作返回相同类型的状态，消除了潜在的类型不一致问题。

Polyak SGD 新增了"plus"选项，扩展了其应用场景，用户可以更灵活地控制参数更新策略。

3. 损失函数和数学工具的增强

三重边际损失函数得到了修复和改进，现在能够正确处理各种输入情况。这个损失函数在度量学习和表示学习任务中尤为重要。

新增了非负最小二乘(NNLS)求解器，这是一个强大的数学工具，可用于解决带非负约束的线性回归问题。该求解器能够正确处理批量形状的输入，使其更适合深度学习中的批量处理场景。

Sigmoid交叉熵损失和Sigmoid焦点损失函数现在能够正确处理非数组标签输入，提高了这些损失函数的鲁棒性。

4. 树操作工具集的扩展

新增了tree_batch_shape函数，用于确定树结构中张量的批量形状，这在处理复杂数据结构时特别有用。

tree_norm函数统一了之前的tree_l1_norm、tree_l2_norm和tree_linf_norm，提供了更简洁的API接口。同时引入了optax.tree.*命名空间别名，提高了代码的可读性。

tree_clip函数现在提供了默认的最小值和最大值参数，使用更加方便。

5. 参数冻结工具

新增了freeze和selective_optimizer等参数冻结实用工具，以及前缀掩码支持。这些工具使得用户可以更灵活地控制模型不同部分的训练过程，特别适用于迁移学习和微调场景。

其他重要改进

1. 文档完善：对多个函数的文档字符串进行了改进和修正，增加了数学描述和示例，使API更加易于理解和使用。

2. 类型稳定性：通过使用jax.lax.cond测试，确保了优化器状态在各种条件下的类型稳定性。

3. 随机数生成：更新为使用jax.random.key替代旧的PRNGKey，保持与JAX最新版本的兼容性。

4. 构建系统：移除了对Python 3.9的支持，新增了对Python 3.12的测试，确保库能够利用最新Python版本的特性和优化。

5. 测试基础设施：改进了CI流程，增加了ruff静态分析工具，提高了代码质量检查的效率。

向后兼容性说明

本次更新移除了一些长期弃用的函数，建议用户检查自己的代码是否依赖这些已被移除的函数。同时，multi_transform被正式弃用，推荐使用功能更强大的partition替代。

结语

Optax v0.2.5版本通过引入多种新型优化算法、增强现有功能和完善工具集，进一步巩固了其作为JAX生态系统中优化器库的首选地位。这些改进不仅提高了库的实用性和可靠性，也为深度学习研究提供了更多可能性。无论是从事理论研究还是实际应用开发的用户，都能从这个版本中获得显著的收益。