不同长度的 JAX 批处理答案

【问题标题】：JAX batching with different lengths不同长度的 JAX 批处理
【发布时间】：2021-09-19 00:11:09
【问题描述】：

我有一个函数compute(x)，其中x 是jnp.ndarray。现在，我想使用vmap 将其转换为一个函数，该函数接受一批数组x[i]，然后jit 对其进行加速。 compute(x) 类似于：

def compute(x):
    # ... some code
    y = very_expensive_function(x)
    return y

但是，每个数组x[i] 具有不同的长度。我可以通过用尾随零填充数组来轻松解决这个问题，这样它们都具有相同的长度 N 和 vmap(compute) 可以应用于形状为 (batch_size, N) 的批次。

但是，这样做会导致在每个数组 x[i] 的尾随零上也调用 very_expensive_function()。有没有办法修改compute()，使得very_expensive_function() 只在x 的一部分上调用，而不干扰vmap 和jit？

【问题讨论】：

显而易见的解决方案是将每个 x[i] 的实际长度也传递给计算，然后对该 x[i] 进行切片，但这可能不受 jax 支持。看看这个：github.com/google/jax/issues/1007。也许传递一个面具是你可以做的。
this 回答有用吗？

标签： python numpy jax

【解决方案1】：

使用 JAX，当您想要 jit 函数以加快速度时，给定的批处理参数 x 必须是定义良好的 ndarray（即 x[i] 必须具有相同的形状）。无论您是否使用vmap，这都是正确的。

现在，通常的处理方法是填充这些数组。这意味着您在参数中添加掩码，以便填充值不会影响您的结果。例如，如果我想计算形状为(bath_size, max_length) 的填充值x 的softmax，我需要“禁用”填充值的效果。这是一个例子：

import jax.numpy as jnp
import jax

PAD = 0
MINUS_INFINITY = -1e6

x = jnp.array([ 
       [1, 2, 3, 4],
       [1, 2, PAD, PAD],
       [1, 2, 3, PAD]
    ])

mask = jnp.array([
           [1, 1, 1, 1],
           [1, 1, 0, 0],
           [1, 1, 1, 0]
       ])
       
masked_sofmax = jax.nn.softmax(x + (1-mask)*MINUS_INFINITY)

它不像填充x那么简单。您需要在每一步实际更改计算以禁用填充效果。在 softmax 的情况下，您可以通过将填充值设置为接近负无穷来做到这一点。

最后，您无法真正提前知道使用或不使用 padding + masking 的速度性能是否会更好。根据我的经验，它通常会导致 CPU 的良好改进，以及 GPU 的非常大的改进。特别是，批处理大小的选择对性能有很大的影响，因为更高的batch_size 将在统计上导致更高的max_length，因此对填充值执行更多的“无用”计算。

【讨论】：