tf.keras.layers.JaxLayer

Слой Keras, оборачивающий модель JAX.

Наследует от: Layer, Operation

tf.keras.layers.JaxLayer(
    call_fn, init_fn=None, params=None, state=None, seed=None, **kwargs
)

Этот слой позволяет использовать компоненты JAX в Keras при использовании JAX в качестве бэкенда Keras.

Функция модели

Этот слой принимает модели JAX в виде функции, call_fn, которая должна принимать следующие аргументы с указанными точными именами:

• params: обучаемые параметры модели.
• state (необязательно): необучаемое состояние модели. Можно опустить, если у модели нет необучаемого состояния.
• rng (необязательно): экземпляр jax.random.PRNGKey. Можно опустить, если модели не нужны RNG ни во время обучения, ни во время инференса.
• inputs: входные данные модели — массив JAX или PyTree массивов.
• training (необязательно): аргумент, указывающий, выполняется ли обучение или инференс; в режиме обучения передаётся True. Можно опустить, если модель ведёт себя одинаково в режиме обучения и инференса.

Аргумент inputs является обязательным. Входные данные модели должны передаваться одним аргументом. Если модель JAX принимает несколько входов в виде отдельных аргументов, их необходимо объединить в одну структуру, например в tuple или dict.

Инициализация весов модели

Инициализацию params и state модели может выполнять этот слой; в этом случае необходимо указать аргумент init_fn. Это позволяет динамически инициализировать модель с нужной формой. Если же форма известна, можно использовать аргумент params и, при необходимости, аргумент state, чтобы создать уже инициализированную модель.

Функция init_fn, если она указана, должна принимать следующие аргументы с указанными точными именами:

• rng: экземпляр jax.random.PRNGKey.
• inputs: массив JAX или PyTree массивов со значениями-заполнителями для задания формы входных данных.
• training (необязательно): аргумент, указывающий, выполняется ли обучение или инференс. True всегда передаётся в init_fn. Его можно опустить независимо от того, имеет ли call_fn аргумент training.

Модели с необучаемым состоянием

Для моделей JAX с необучаемым состоянием:

• call_fn должен иметь аргумент state
• call_fn должен возвращать tuple, содержащий выходные данные модели и новое необучаемое состояние модели
• init_fn должен возвращать tuple, содержащий начальные обучаемые параметры модели и начальное необучаемое состояние модели.

В этом коде показано возможное сочетание сигнатур call_fn и init_fn для модели с необучаемым состоянием. В этом примере у модели есть аргумент training и аргумент rng в call_fn.

def stateful_call(params, state, rng, inputs, training):
    outputs = ...
    new_state = ...
    return outputs, new_state

def stateful_init(rng, inputs):
    initial_params = ...
    initial_state = ...
    return initial_params, initial_state

Модели без необучаемого состояния

Для моделей JAX без необучаемого состояния:

• call_fn не должен иметь аргумент state
• call_fn должен возвращать только выходные данные модели
• init_fn должен возвращать только начальные обучаемые параметры модели.

В этом коде показано возможное сочетание сигнатур call_fn и init_fn для модели без необучаемого состояния. В этом примере у модели нет аргумента training и нет аргумента rng в call_fn.

def stateless_call(params, inputs):
    outputs = ...
    return outputs

def stateless_init(rng, inputs):
    initial_params = ...
    return initial_params

Соответствие требуемой сигнатуре

Если сигнатура модели отличается от требуемой для JaxLayer, можно легко написать метод-обёртку для адаптации аргументов. В этом примере показана модель, которая принимает несколько входов в виде отдельных аргументов, ожидает несколько RNG в dict и имеет аргумент deterministic с противоположным значением по сравнению с training. Чтобы привести сигнатуру к требуемой, входы объединяются в одну структуру с помощью tuple, RNG разделяется и используется для заполнения ожидаемого dict, а логическое значение инвертируется:

def my_model_fn(params, rngs, input1, input2, deterministic):
    ...
    if not deterministic:
        dropout_rng = rngs["dropout"]
        keep = jax.random.bernoulli(dropout_rng, dropout_rate, x.shape)
        x = jax.numpy.where(keep, x / dropout_rate, 0)
        ...
    ...
    return outputs

def my_model_wrapper_fn(params, rng, inputs, training):
    input1, input2 = inputs
    rng1, rng2 = jax.random.split(rng)
    rngs = {"dropout": rng1, "preprocessing": rng2}
    deterministic = not training
    return my_model_fn(params, rngs, input1, input2, deterministic)

keras_layer = JaxLayer(my_model_wrapper_fn, params=initial_params)

Использование с модулями Haiku

JaxLayer позволяет использовать компоненты Haiku в виде haiku.Module. Для этого модуль преобразуется в соответствии с шаблоном Haiku, после чего module.apply передаётся параметру call_fn, а при необходимости module.init — параметру init_fn.

Если модель имеет необучаемое состояние, её следует преобразовать с помощью haiku.transform_with_state. Если модель не имеет необучаемого состояния, её следует преобразовать с помощью haiku.transform. Кроме того, если модуль не использует RNG в "apply", его можно преобразовать с помощью haiku.without_apply_rng.

В следующем примере показано, как создать JaxLayer из модуля Haiku, который использует генераторы случайных чисел через hk.next_rng_key() и принимает позиционный аргумент обучения:

class MyHaikuModule(hk.Module):
    def __call__(self, x, training):
        x = hk.Conv2D(32, (3, 3))(x)
        x = jax.nn.relu(x)
        x = hk.AvgPool((1, 2, 2, 1), (1, 2, 2, 1), "VALID")(x)
        x = hk.Flatten()(x)
        x = hk.Linear(200)(x)
        if training:
            x = hk.dropout(rng=hk.next_rng_key(), rate=0.3, x=x)
        x = jax.nn.relu(x)
        x = hk.Linear(10)(x)
        x = jax.nn.softmax(x)
        return x

def my_haiku_module_fn(inputs, training):
    module = MyHaikuModule()
    return module(inputs, training)

transformed_module = hk.transform(my_haiku_module_fn)

keras_layer = JaxLayer(
    call_fn=transformed_module.apply,
    init_fn=transformed_module.init,
)

Методы

from_config

Посмотреть исходный код

@classmethod
from_config(
    config
)

Создаёт слой на основе его конфигурации.

Этот метод является обратным для get_config и позволяет создать тот же слой из словаря конфигурации. Он не обрабатывает связи слоёв (это делает Network) и веса (это делает set_weights).

symbolic_call

Посмотреть исходный код

symbolic_call(
    *args, **kwargs
)