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：

1. 首先定义一个独立的函数，并用eqx.filter_custom_jvp装饰
2. 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

1. 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。

2. 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。

3. 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

1. 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。

2. 对于复杂的模块组合，需要仔细测试梯度计算的正确性。

3. 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。