在Equinox中为Module定义自定义JVP/VJP规则
概述
在JAX生态系统中,自动微分是其核心功能之一。Equinox作为构建在JAX之上的神经网络库,同样支持自动微分操作。然而,在某些特殊场景下,我们可能需要自定义前向模式微分(JVP)或反向模式微分(VJP)的行为。本文将详细介绍在Equinox模块中如何实现这一需求。
问题背景
考虑一个常见的场景:我们有一个神经网络模块,它首先对输入进行缩放处理,然后再传递给子模块。标准的自动微分会计算整个计算图的梯度,但有时我们可能希望梯度计算只针对缩放后的输入,而不是原始输入。
标准实现的问题
使用Equinox的标准实现方式如下:
class ScaledModel(eqx.Module):
sub_model: eqx.Module
scale: float = eqx.field(static=True)
def __call__(self, x):
scaled_x = x / self.scale
return self.sub_model(scaled_x)
这种实现会计算从原始输入到最终输出的完整梯度,包括缩放操作的梯度部分。但有时我们可能希望梯度计算跳过缩放操作,直接针对缩放后的输入。
自定义JVP的实现方案
由于JAX的custom_jvp
装饰器不是描述符(descriptor),无法正确处理类方法的self
参数,因此我们需要采用间接的方式实现:
- 首先定义一个独立的函数,并用
eqx.filter_custom_jvp
装饰 - 然后在模块的
__call__
方法中调用这个函数
具体实现如下:
class ScaledModel(eqx.Module):
sub_model: eqx.Module
scale: float
def __call__(self, x):
return scaled_model_forward(self, x)
@eqx.filter_custom_jvp
def scaled_model_forward(model, x):
scaled_x = x / model.scale
return model.sub_model(scaled_x)
@scaled_model_forward.def_jvp
def scaled_model_jvp(primals, tangents):
model, x = primals
primal_out = model.sub_model(x / model.scale)
_, tangent_out = jax.jvp(
model.sub_model,
(x / model.scale,),
(tangents[1] / model.scale,)
)
return primal_out, tangent_out
技术细节解析
-
装饰器选择:使用
eqx.filter_custom_jvp
而非普通的jax.custom_jvp
,因为前者能正确处理Equinox模块的过滤机制。 -
参数处理:在JVP函数中,
primals
包含模型实例和输入数据,需要分别处理。 -
梯度计算:我们显式地计算子模块在缩放后输入处的梯度,并跳过对原始输入的梯度计算。
应用场景
这种技术特别适用于以下场景:
- 输入预处理需要从梯度计算中排除
- 需要实现特殊的梯度流动规则
- 构建具有自定义微分行为的复合模块
注意事项
-
确保自定义微分规则与数学定义一致,避免引入数值不稳定。
-
对于复杂的模块组合,需要仔细测试梯度计算的正确性。
-
考虑使用
jax.value_and_grad
等工具验证自定义梯度的正确性。
总结
在Equinox中实现自定义微分规则需要绕过JAX对类方法的限制,通过外部函数的方式实现。这种方法既保持了Equinox模块的清晰结构,又提供了对微分行为的精确控制。掌握这一技术可以极大地扩展Equinox在复杂微分场景下的应用能力。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









