jax.checkpoint

内容

jax.checkpoint#

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

使 fun 在微分时重新计算内部线性化点。

The jax.checkpoint() 装饰器（别名为 jax.remat()）提供了一种方法，可以在自动微分的上下文中权衡计算时间和内存成本，尤其是在反向模式自动微分（如 jax.grad() 和 jax.vjp()）中，但也适用于 jax.linearize()。

在反向模式中对函数进行微分时，默认情况下，所有线性化点（例如，逐元素非线性基本操作的输入）都会在评估前向传递时存储，以便它们可以在反向传递中重用。这种评估策略可能导致较高的内存成本，甚至在内存访问比 FLOPs 贵得多的硬件加速器上导致性能下降。

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。这种方法可以减少内存使用，但会增加计算量。

此函数装饰器会生成一个新的 fun 版本，该版本遵循重新物化策略，而不是默认的存储所有内容策略。也就是说，它返回一个新的 fun 版本，当对其进行微分时，不会存储任何中间线性化点。相反，这些线性化点将从函数保存的输入中重新计算。

请参见下面的示例。

参数：

  • fun (Callable) – 要更改自动微分评估策略的函数，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，布尔类型的关键字参数，指示是否阻止从微分生成的 HLO 中的公共子表达式消除 (CSE) 优化。这种 CSE 阻止会带来成本，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。默认为 True，因为否则，在 jit() 或 pmap() 下，CSE 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 阻止机制是不必要的，在这种情况下，可以将 prevent_cse 设置为 False。

  • static_argnums (int | tuple[int, ...]) – 可选，整数或整数序列，一个关键字参数，指示要为跟踪和缓存目的专门化哪些参数值。将参数指定为静态可以避免在跟踪时出现 ConcretizationTypeErrors，但会增加更多重新跟踪的开销。请参见下面的示例。

  • policy (Callable[..., bool] | None | None) – 可选，可调用类型的关键字参数。它应该是 jax.checkpoint_policies 的属性之一。该可调用函数以一阶基本运算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（或者在需要时必须在（共）切线计算中重新计算）。

返回值：

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，从而有可能节省内存，但会增加额外的计算量。

返回类型：

Callable

这是一个简单的示例

>>> 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))

在此，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)) 会在正向传递中计算，并存储以供反向传递使用，因为它们在反向传递中需要，并且仅依赖于原始输入。当使用 jax.checkpoint() 时，正向传递将仅计算原始输出，并且仅原始输入 (2.0) 将存储用于反向传递。此时，值 jnp.sin(2.0) 将被重新计算，以及值 jnp.cos(2.0) 和 jnp.cos(jnp.sin(2.0))。

虽然 jax.checkpoint() 控制从正向传递存储哪些值以供反向传递使用，但评估函数或其 VJP 所需的总内存量取决于该函数的许多其他内部细节。这些细节包括使用了哪些数值基本运算、它们是如何组合的、jit 和控制流基本运算（如 scan）在哪里使用，以及其他因素。

可以递归地应用 jax.checkpoint() 装饰器来表达复杂的自动微分重新物化策略。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 包含依赖于参数值的 Python 控制流，则可能需要使用 static_argnums 参数。例如，考虑一个布尔类型的标志参数

from functools import partial

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

在此，使用 static_argnums 允许 if 语句的条件依赖于 is_training 的值。使用 static_argnums 的代价是它引入了跨调用的重新跟踪开销：在示例中，每次使用新的 is_training 值调用 foo 时，都会对其进行重新跟踪。在某些情况下，也需要 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，计算 jax.checkpoint() 装饰的函数之外的一些值，然后将其封闭起来可能会更容易。

目录