jax.checkpoint

目录

jax.checkpoint#

jax.checkpoint(fun, *, prevent_cse=True, policy=None, static_argnums=())[源代码][源代码]#

当微分时，使 fun 重新计算内部的线性化点。

The jax.checkpoint() 装饰器，别名为 jax.remat()，提供了一种在自动微分的背景下权衡计算时间和内存成本的方法，特别是在使用像 jax.grad() 和 jax.vjp() 这样的反向模式自动微分时，但也适用于 jax.linearize()。

在反向模式下对函数进行微分时，默认情况下会在前向评估时存储所有线性化点（例如逐元素非线性基本操作的输入），以便在后向评估时可以重用它们。这种评估策略可能会导致高内存成本，甚至在内存访问成本远高于浮点运算的硬件加速器上导致性能不佳。

另一种评估策略是重新计算（即重新物化）一些线性化点，而不是存储它们。这种方法可以在增加计算成本的同时减少内存使用。

这个函数装饰器生成 fun 的一个新版本，该版本遵循重新物化策略而不是默认的存储所有策略。也就是说，它返回 fun 的一个新版本，当进行微分时，不会存储任何中间线性化点。相反，这些线性化点是从函数的保存输入中重新计算的。

请参见下面的示例。

参数:

  • fun (Callable) – 该函数用于将自动微分评估策略从默认的存储所有中间线性化点更改为重新计算它们。其参数和返回值应为数组、标量或（嵌套的）标准 Python 容器（元组/列表/字典）。

  • prevent_cse (bool) – 可选的布尔型仅关键字参数，指示是否阻止从微分生成的HLO中进行公共子表达式消除（CSE）优化。这种CSE预防会产生成本，因为它可能会破坏其他优化，并且在某些后端（尤其是GPU）上可能会产生高开销。默认值为True，因为在 jit() 或 pmap() 下，如果不进行CSE预防，可能会破坏此装饰器的目的。但在某些情况下，例如在 scan() 内部使用时，这种CSE预防机制是不必要的，此时可以将 prevent_cse 设置为False。

  • static_argnums (int | tuple[int, ...]) – 可选的，整数或整数序列，一个仅关键字参数，指示在跟踪和缓存目的上要专门化的参数值。将参数指定为静态可以避免在跟踪时出现 ConcretizationTypeErrors，但代价是更多的重新跟踪开销。请参见下面的示例。

  • policy (Callable[..., bool] | None) – 可选的，仅关键字参数，可调用。它应该是 jax.checkpoint_policies 的属性之一。该可调用对象以一阶基本应用的类型级规范作为输入，并返回一个布尔值，指示相应的输出值是否可以保存为残差（或者如果需要，必须在（协）切线计算中重新计算）。

返回:

一个函数（可调用对象），其输入/输出行为与 fun 相同，但在使用例如 jax.grad()、jax.vjp() 或 jax.linearize() 进行微分时，会重新计算而不是存储中间线性化点，从而在增加计算成本的情况下可能节省内存。

返回类型:

Callable

这是一个简单的例子：

>>> import jax
>>> import jax.numpy as jnp

>>> @jax.checkpoint
... def g(x):
...   y = jnp.sin(x)
...   z = jnp.sin(y)
...   return z
...
>>> jax.value_and_grad(g)(2.0)
(Array(0.78907233, dtype=float32, weak_type=True), Array(-0.2556391, dtype=float32, weak_type=True))

在这里，无论是否存在 jax.checkpoint() 装饰器，都会产生相同的值。当装饰器不存在时，值 jnp.cos(2.0) 和 jnp.cos(jnp.sin(2.0)) 会在前向传递中计算并存储，以便在后向传递中使用，因为它们在后向传递中需要并且仅依赖于原始输入。当使用 jax.checkpoint() 时，前向传递将仅计算原始输出，并且仅原始输入（2.0）将被存储以便后向传递。届时，值 jnp.sin(2.0) 将与值 jnp.cos(2.0) 和 jnp.cos(jnp.sin(2.0)) 一起重新计算。

虽然 jax.checkpoint() 控制了从前向传递中存储哪些值以用于后向传递，但评估一个函数或其 VJP 所需的总内存量取决于该函数的许多额外内部细节。这些细节包括使用了哪些数值原语、它们如何组合、在哪里使用了 jit 和控制流原语（如扫描），以及其他因素。

The jax.checkpoint() 装饰器可以递归应用，以表达复杂的自动微分重计算策略。例如：

>>> def recursive_checkpoint(funs):
...   if len(funs) == 1:
...     return funs[0]
...   elif len(funs) == 2:
...     f1, f2 = funs
...     return lambda x: f1(f2(x))
...   else:
...     f1 = recursive_checkpoint(funs[:len(funs)//2])
...     f2 = recursive_checkpoint(funs[len(funs)//2:])
...     return lambda x: f1(jax.checkpoint(f2)(x))
...

如果 fun 涉及依赖于参数值的 Python 控制流，可能需要使用 static_argnums 参数。例如，考虑一个布尔标志参数:

from functools import partial

@partial(jax.checkpoint, static_argnums=(1,))
def foo(x, is_training):
  if is_training:
    ...
  else:
    ...

在这里，使用 static_argnums 使得 if 语句的条件依赖于 is_training 的值。使用 static_argnums 的代价是它会在调用之间引入重新追踪的开销：在这个例子中，每次 foo 被调用时，如果 is_training 的值发生变化，它都会被重新追踪。在某些情况下，还需要使用 jax.ensure_compile_time_eval:

@partial(jax.checkpoint, static_argnums=(1,))
def foo(x, y):
  with jax.ensure_compile_time_eval():
    y_pos = y > 0
  if y_pos:
    ...
  else:
    ...

作为使用 static_argnums``（和 ``jax.ensure_compile_time_eval）的替代方案，可能更容易在 jax.checkpoint() 装饰的函数外部计算一些值，然后关闭它们。

目录