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, lossbatch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, auxvalue_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
