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。

作者：Nexumo