JAX性能优化实战：7个变换让TPU/GPU吃满算力

JAX跑得快的技巧其实很简单：通过组合变换让XLA能看到大块连续的计算，比如说批处理、融合、分片，让每一步在单设备或多设备同步时都像一个干净的kernel。

我们今天就来总结7个能够提高运行速度的JAX变换组合

1、 jit 优先，形状稳定

jit对函数做一次追踪后XLA负责融合算子，形状稳定、无副作用时，Python处理的开销就被分摊掉，可以提高运行速度。

形状创建和静态参数要么挪到step外部，要么显式标记为static。donate_argnums能让JAX复用缓冲区，省掉不必要的内存拷贝。step之间保持dtype和shape一致，trace结果才能被缓存下来。

import jax, jax.numpy as jnp
@jax.jit(donate_argnums=(0,))
def sgd_step(params, batch, lr):
x, y = batch
def loss_fn(p):
preds = model_apply(p, x) # pure function
return jnp.mean((preds - y) ** 2)
grads = jax.grad(loss_fn)(params)
return jax.tree_map(lambda p, g: p - lr * g, params, grads)

每个(shape, dtype, static-arg)组合只追踪一次。频繁retrace多半是输入shape在变，或者Python逻辑泄漏进了计算图。

2、vmap替换Python循环

vmap在leading axis上做向量化，XLA直接把batch融进kernel。for循环没了设备launch就少了，内存访问也更连续。

# per-example loss
def example_loss(params, x, y):
pred = model_apply(params, x)
return jnp.mean((pred - y) ** 2)
# batch it without writing loops
batched_loss = jax.vmap(example_loss, in_axes=(None, 0, 0)) # params broadcasted

嵌套vmap可以搞2D batch，比如time × batch，只要别超HBM容量。vmap适合做内层微批处理，比如ensemble或MC sampling这类场景，外层维度留给分片。

3、长循环的融合利器Scan

RNN、展开解码、迭代求解器，这些场景用scan比Python循环快。scan只编译一次循环体跑在XLA的while-loop里，Python开销基本为0，融合和内存复用也更激进。

from jax import lax
def rnn_cell(carry, x):
h = carry
h = jnp.tanh(W_hh @ h + W_xh @ x + b)
y = W_hy @ h
return h, y # (carry, output)
def rnn_forward(h0, xs):
hT, ys = lax.scan(rnn_cell, h0, xs) # xs: [T, B, D]
return hT, ys

循环状态用carry传递，body保持小而纯净，要注意保持形状不要变，比如：序列模型、diffusion step循环、定点迭代、beam解码（形状稳定时）都适用。

4、remat可以用计算换内存

批次大了TPU/GPU的FLOP利用率往往更高。remat（也叫checkpoint）会丢掉部分中间激活，反向时重算这样峰值显存下来batch就能开的更大。

from jax import remat
def block(params, x):
x = jax.nn.gelu(x @ params['w1'])
x = x @ params['w2']
return x
fast_block = remat(block) # checkpointed
@jax.jit
def forward(params, x):
for _ in range(6):
x = x + fast_block(params, x)
return x

只包最重的子块就行，比如attention加MLP那几层。同时配合vmap或分片，全局batch能再往上拉。不过需要一些额外FLOPs，但如果换来1.3到2倍的batch increase，wall-clock往往更短。

5、pmap单机多卡数据并行

pmap把函数复制到单主机的多个设备上（8卡工作站、单节点8核TPU），梯度可以自动all-reduce，并且每设备只编译一次。

from jax import pmap, lax
@pmap(axis_name='d')
def train_step(params, batch, lr):
x, y = batch # each device sees [local_B, ...]
def loss_fn(p):
pred = model_apply(p, x)
loss = jnp.mean((pred - y) ** 2)
return loss
loss, grads = jax.value_and_grad(loss_fn)(params)
loss = lax.pmean(loss, axis_name='d')
grads = lax.pmean(grads, axis_name='d')
params = jax.tree_map(lambda p, g: p - lr * g, params, grads)
return params, loss

batch在leading axis分片，lax.pmean聚合loss和grads。单机场景下pmap简单可靠。跨主机扩展或者想做张量级细粒度分片可以成换pjit。

6、pjit+ 命名分片：SPMD并行

pjit编译出单一SPMD程序可以跨设备跨主机运行。用mesh和PartitionSpec描述数组怎么切，JAX处理collective通信，这样数据并行、张量并行、混合并行都能做。

import jax
from jax.sharding import Mesh, PartitionSpec as P
import numpy as np
devices = np.array(jax.devices()).reshape(2, 4) # 2 × 4 mesh (dp × mp)
mesh = Mesh(devices, ('dp', 'mp'))
@jax.jit # jit is optional when using pjit; shown when composing
def model_apply_sharded(params, x):
return model_apply(params, x)
from jax.experimental.pjit import pjit
with mesh:
in_shard = (P('mp',), P('dp',)) # example; tailor to your shapes
out_shard = P('dp',) # e.g., shard batch across dp
step = pjit(model_apply_sharded,
in_shardings=(P('mp',), P('dp',)),
out_shardings=out_shard)
y = step(params_sharded, x_sharded)

一般都是batch轴走dp，大矩阵维度（hidden size、heads）走mp。分片数需要跟设备拓扑对齐，跨主机流量才少。

7、value_and_grad的正确堆叠方式

规范写法是jit(value_and_grad(loss, has_aux=True))，外面可以再套一层pmap或pjit。这样forward只跑一遍metrics留在aux里带出来。

def loss_with_aux(params, batch):
x, y = batch
pred = model_apply(params, x)
loss = jnp.mean((pred - y) ** 2)
aux = {'mse': loss, 'mean_pred': jnp.mean(pred)}
return loss, aux
@jax.jit
def train_step(params, opt_state, batch, lr):
(loss, aux), grads = jax.value_and_grad(loss_with_aux, has_aux=True)(params, batch)
updates, opt_state = optimizer_update(grads, opt_state, params, lr)
params = optax_apply(updates, params)
return params, opt_state, loss, aux

value_and_grad放jit里面，JAX会把forward和backward一起stage。返回(loss, aux)日志指标不用再跑一遍forward。

这套组合很灵活：vmap做微批次，scan跑时序循环，外面套pmap或pjit，donate_argnums标上buffer。

总结

变长序列pad加mask，shape稳定是前提条件。traced代码里不要添加Python随机性，比如PRNG key要在外面split好。矩阵乘用bfloat16，这样数值稳定性也够用，吞吐量在TPU/GPU上表现的也很好。性能profile要重点看warm-up之后的tokens/sec或samples/sec。日志只看标量aux metrics就行，每step把大数组传回host是性能杀手。

JAX的性能不是黑盒：jit + shape可以稳定打底，vmap做batch，scan融合循环，remat回收显存，pmap或pjit做扩展，value_and_grad(..., has_aux=True)让每一步只跑一次forward一次backward。

https://avoid.overfit.cn/post/84e4e28e3ca8473488a0e9248d1ec51b

作者：Nexumo