文章作为一篇实战指南，详细阐述了如何在 Google TPU 上使用 JAX 从零构建并训练一个 GPT-2 模型。它首先介绍了 JAX 的核心生态系统，包括 Flax (NNX)、Orbax 和 Optax 等库，强调了 JAX 在处理大语言模型方面的强大能力。随后，文章深入讲解了 GPT-2 模型的高层级架构，并提供了使用 NNX 构建 Transformer Block 的代码示例。核心部分在于如何利用 JAX 的 SPMD（Single Program Multiple Data）机制，通过定义硬件网格和模型参数分区，实现高效的数据并行训练。文章还覆盖了损失函数、优化器（AdamW 与余弦衰减调度）、训练循环的设置，并展示了训练过程中的损失曲线和 TPU 利用率监控。此外，文章对比了不同 TPU 版本（如 Kaggle TPU v3 约 7 小时，Trillium 约 1.5 小时）的训练时长，以体现实践细节。最后，提供了完整的 Notebook 链接，并展望了将模型扩展到更大规模的后续步骤，为开发者提供了免费且可操作的 LLM 训练实践路径。
作者 / 魏巍，开发技术推广工程师
如果您对如何使用 JAX 从头开始构建语言模型感到好奇，那么本文非常适合您。我们在 2025 年 Google Cloud Next 大会上举办了一场关于此主题的研讨会，并获得了一些很好的反馈，我们也为所有无法参会的开发者编写了这份指南。
本文和代码示例将引导您构建并预训练 GPT-2 模型，了解 JAX 如何直接利用 Google TPU 的强大能力。您可以使用 Colab 或 Kaggle 中的 TPU 免费运行整个项目，并获取完整的 Notebook。
这是一个实践教程，如果您还不熟悉 JAX，我们建议您从《PyTorch 开发者指南: JAX 基础知识》入手。
-
PyTorch 开发者指南: JAX 基础知识
https://cloud.google.com/blog/products/ai-machine-learning/guide-to-jax-for-pytorch-developers
首先，让我们快速了解一下将要用到的工具。
在开始构建模型之前，让我们先简要介绍一下 JAX 生态系统。JAX 生态系统采用模块化方法，通过 JAX 核心提供核心数值处理能力，而一系列丰富的库则在此基础上构建而成，以满足不同应用的特定需求，如用于构建神经网络的 Flax、用于检查点和模型持久性的 Orbax 以及用于优化的 Optax (在本文中，这 3 个工具都将被用到)。内置函数转换，如 autograd、矢量化和 JIT 编译，加上强大的性能和易于使用的 API，使 JAX 非常适合训练大语言模型。
-
JAX 生态系统
-
Flax
-
Orbax
-
Optax
OpenAI 此前发布了 GPT-2 模型代码和权重，这为我们提供了宝贵的参考资料，并且社区也付出了很多努力来复现该模型，例如 nanoGPT。以下是 GPT-2 的高层级模型架构图:
-
GPT-2 模型代码和权重
-
nanoGPT
我们将使用 NNX (新的 Flax 接口) 来构建 GPT-2 模型。简洁起见，我们重点关注 Transformer Block，这是现代大语言模型的关键所在。Transformer Block 会捕获任何序列的长程依赖关系，并构建丰富的上下文理解。GPT-2 Transformer Block 由 2 个 LayerNorm 层、1 个多头注意力 (MHA) 层、2 个 Dropout 层、2 个线性投影层和 2 个残差连接组成。因此，我们首先需要在 TransformerBlock 类的 __init__ 函数中定义这些层:
class TransformerBlock(nnx.Module):def __init__(self,embed_dim: int,num_heads: int,ff_dim: int,dropout_rate: float,rngs: nnx.Rngs,):self.layer_norm1 = nnx.LayerNorm(epsilon=1e-6, num_features=embed_dim, rngs=rngs)self.mha = nnx.MultiHeadAttention(num_heads=num_heads, in_features=embed_dim, rngs=rngs)self.dropout1 = nnx.Dropout(rate=dropout_rate)self.layer_norm2 = nnx.LayerNorm(epsilon=1e-6, num_features=embed_dim, rngs=rngs)self.linear1 = nnx.Linear(in_features=embed_dim, out_features=ff_dim, rngs=rngs)self.linear2 = nnx.Linear(in_features=ff_dim, out_features=embed_dim, rngs=rngs)self.dropout2 = nnx.Dropout(rate=dropout_rate)
-
NNX (新的 Flax 接口)
https://flax.readthedocs.io/en/v0.8.3/experimental/nnx/index.html#
接下来，我们需要在 __call__ 函数中对这些层进行组合:
class TransformerBlock(nnx.Module):def __call__(self, inputs, training: bool = False):input_shape = inputs.shapebs, seq_len, emb_sz = input_shapeattention_output = self.mha(inputs_q=self.layer_norm1(inputs),mask=causal_attention_mask(seq_len),decode=False,)x = inputs + self.dropout1(attention_output, deterministic=not training)# MLPmlp_output = self.linear1(self.layer_norm2(x))mlp_output = nnx.gelu(mlp_output)mlp_output = self.linear2(mlp_output)mlp_output = self.dropout2(mlp_output, deterministic=not training)return x + mlp_output
如果您使用过任何其他机器学习框架 (如 PyTorch 或 TensorFlow) 来训练语言模型，那么您对这段代码应该非常熟悉。但 JAX 具有通过 SPMD (Single Program Multiple Data) 自动并行运行代码的强大能力。这项功能至关重要，因为我们将在多个加速器 (多个 TPU 核心) 上运行代码。让我们来看看它的工作原理。
要执行 SPMD，首先我们需要确保自己使用的是 TPU。如果您使用的是 Colab 或 Kaggle，请选择 TPU 运行时 (您也可以使用 Cloud TPU 虚拟机)。
import jaxjax.devices()# Free-tier Colab offers TPU v2:[TpuDevice(id=0, process_index=0, coords=(0,0,0), core_on_chip=0),TpuDevice(id=1, process_index=0, coords=(0,0,0), core_on_chip=1),TpuDevice(id=2, process_index=0, coords=(1,0,0), core_on_chip=0),TpuDevice(id=3, process_index=0, coords=(1,0,0), core_on_chip=1),TpuDevice(id=4, process_index=0, coords=(0,1,0), core_on_chip=0),TpuDevice(id=5, process_index=0, coords=(0,1,0), core_on_chip=1),TpuDevice(id=6, process_index=0, coords=(1,1,0), core_on_chip=0),TpuDevice(id=7, process_index=0, coords=(1,1,0), core_on_chip=1)]
Colab 和 Kaggle 提供 TPU v2 或 v3，其中含有 8 个独立的 TPU 核心。TPU v3 托盘的外观如下所示:
为了高效训练 GPT-2 模型，我们将通过 SPMD 让所有 TPU 核心协同运行，并利用 JAX 中的数据并行。为此，我们定义了一个硬件网格:
mesh = jax.make_mesh((8, 1), ('batch', 'model'))我们可以将网格视为加速器的 2D 矩阵。在本例中，我们为网格定义了两个轴: batch 轴和 model 轴。因此，我们总共有 8 x 1 个核心，也就是 8 个核心。这些轴决定了我们如何划分数据和模型参数。如果之后想尝试其他并行方案，我们可以对这些轴进行调整。
现在，我们通过告诉 JAX 如何使用 "model" 轴划分模型参数来更改 __init__ 函数。这是通过在初始化权重张量 (weight tensors) 时添加 nnx.with_partitioning 来实现的: 对于像 LayerNorm 缩放/偏置张量这样的 1D 权重张量 (weight tensors)，我们直接沿着 "model" 轴对它们进行分片；对于像 MHA 和线性内核张量这样的 2D 权重张量，我们沿着 model 轴对第二维度进行分片。
class TransformerBlock(nnx.Module):def __init__(self,embed_dim: int,num_heads: int,ff_dim: int,dropout_rate: float,rngs: nnx.Rngs,):self.layer_norm1 = nnx.LayerNorm(epsilon=1e-6, num_features=embed_dim,rngs=rngs, rngs=rngs,scale_init=nnx.with_partitioning(nnx.initializers.ones_init(),("model"),),bias_init=nnx.with_partitioning(nnx.initializers.zeros_init(),("model"),),)self.mha = nnx.MultiHeadAttention(num_heads=num_heads, in_features=embed_dim,kernel_init=nnx.with_partitioning(nnx.initializers.xavier_uniform(),(None, "model"),),bias_init=nnx.with_partitioning(nnx.initializers.zeros_init(),("model"),),)# Other layers in the block are omitted for brevity
我们需要像这样划分其他层，以便为整个 GPT-2 模型启用模型张量并行。即使我们在本教程中不会使用模型张量并行，实现这一功能仍然是比较好的做法，因为随着模型规模的增长，我们将来可能需要对模型参数进行分区。实现后，我们只需更改一行代码即可立即运行更大的模型。例如:
mesh = jax.make_mesh((4, 2), ('batch', 'model'))接下来，我们需要定义 loss_fn 和 train_step 函数，与此前文章类似。train_step() 函数会计算交叉熵损失函数的梯度，并通过优化器更新权重，然后在循环中被调用来训练模型。为了获得最佳性能，我们使用 @nnx.jit 装饰器对这两个函数进行 JIT 编译，因为它们属于计算密集型函数。
def loss_fn(model, batch):logits = model(batch[0])loss = optax.softmax_cross_entropy_with_integer_labels(logits=logits, labels=batch[1]).mean()return loss, logitsdef train_step(model: nnx.Module,optimizer: nnx.Optimizer,metrics: nnx.MultiMetric,batch,):grad_fn = nnx.value_and_grad(loss_fn, has_aux=True)(loss, logits), grads = grad_fn(model, batch)metrics.update(loss=loss, logits=logits, lables=batch[1])optimizer.update(grads)
对于优化器，我们使用 Optax 中的 AdamW 以及余弦衰减调度。您也可以在 Optax 中试用其他优化器或调度计划。
schedule = optax.cosine_decay_schedule(init_value=init_learning_rate, decay_steps=max_steps)optax_chain = optax.chain(optax.adamw(learning_rate=schedule, weight_decay=weight_decay))optimizer = nnx.Optimizer(model, optax_chain)
-
其他优化器
-
调度计划
https://optax.readthedocs.io/en/latest/api/optimizer_schedules.html
最后，我们需要创建一个简单的训练循环。
while True:input_batch, target_batch = get_batch("train")train_step(model,optimizer,train_metrics,jax.device_put((input_batch, target_batch),NamedSharding(mesh, P("batch", None)),),)step += 1if step > max_steps:break
请注意我们使用 jax.device_put 函数沿着 batch 轴对输入数据进行分区。在这种情况下，JAX 将启用数据并行，并通过自动插入通信集合 (AllReduce) 将所有内容整合在一起，同时尽可能多地实现计算与通信的重叠。有关并行计算更深入的讨论，请参阅 JAX 的并行编程入门文档。
-
并行编程入门
https://docs.jax.dev/en/latest/notebooks/Distributed_arrays_and_automatic_parallelization.html#intro-and-a-quick-example
模型此时应处于训练状态，如果使用权重和偏差来跟踪运行情况，我们便可以观察训练损失。以下是训练 GPT-2 124M 模型的测试运行结果:
-
权重和偏差
如果使用 Kaggle TPU v3，训练时间大约为 7 个小时 (我们可以不中断地使用 Kaggle TPU v3 9 个小时)；但如果使用 Trillium，训练时间将缩短至约 1.5 个小时 (请注意，Trillium 的每个芯片配备 32G 高带宽内存 (HBM)，因此我们可以将批量大小加倍，并将训练步数减半)。
最终的损失情况与 nanoGPT 的损失情况大致相符。我们在编写此代码示例时对 nanoGPT 进行了研究。
如果使用 Cloud TPU，我们还可以通过 "tpu-info" 命令 (Cloud TPU 监控调试包的一部分) 或权重和偏差仪表盘监控 TPU 利用率。我们的 TPU 正在全力运行！
完成模型训练后，我们可以使用 Orbax 保存模型:
checkpointer = orbax.PyTreeCheckpointer()train_state = nnx.pure(nnx.state(model))checkpointer.save(checkpoint_path, train_state)
这基本上就是我们训练 GPT-2 模型所需了解的全部内容。您可以在完整的 Notebook 中找到其他详细信息，如数据加载、超参数、指标等。
当然，GPT-2 如今还是一个小模型，许多前沿实验室正在训练拥有数千亿参数的模型。但是，现在您已经学习了如何使用 JAX 和 TPU 构建小语言模型，为深入了解如何扩展模型做好了准备。
此外，您既可以使用 MaxText 来训练预构建的前沿 LLM，也可以通过参考 JAX LLM 示例或 Stanford Marin 模型来学习如何从头开始构建最新的模型。
-
MaxText
-
JAX LLM 示例
-
Stanford Marin 模型
我们期待看到您使用 JAX 和 TPU 构建的出色模型！
