JAX

JAX，是用於變換數值函數的Python機器學習框架，它由Google開發並具有來自Nvidia的一些貢獻^[4][5][6]。它結合了修改版本的Autograd（自動通過函數的微分獲得其梯度函數）^[7]，和OpenXLA的XLA（英語：Accelerated Linear Algebra）（加速線性代數）^[8]。它被設計為儘可能的遵從NumPy的結構和工作流程，並協同工作於各種現存的框架如TensorFlow和PyTorch^[9][10]。

JAX

開發者	Google, Nvidia[1]
首次發布	2019年10月31日，​5年前​（2019-10-31）[2]
當前版本	0.4.24（2024年2月6日；穩定版本）[3]
預覽版本	v0.3.13（2022年5月16日，​2年前​（2022-05-16））
原始碼庫	github.com/jax-ml/jax
程式語言	Python, C++
作業系統	Linux, macOS, Windows
平台	Python, NumPy
類型	機器學習
許可協議	Apache 2.0
網站	docs.jax.dev/en/latest/

主要功能

JAX的主要功能是^[4]：

• grad：自動微分，
• jit：即時編譯，
• vmap：自動向量化，
• pmap：SPMD（英語：Single program, multiple data）編程。

grad

主條目：自動微分

下面的代碼演示grad函數的自動微分。

# 导入库
from jax import grad
import jax.numpy as jnp

# 定义logistic函数
def logistic(x):  
    return jnp.exp(x) / (jnp.exp(x) + 1)

# 获得logistic函数的梯度函数
grad_logistic = grad(logistic)

# 求值logistic函数在x = 1处的梯度 
grad_log_out = grad_logistic(1.0)   
print(grad_log_out)

最終的輸出為：

0.19661194

jit

主條目：即時編譯

下面的代碼演示jit函數的優化。

# 导入库
from jax import jit
import jax.numpy as jnp

# 定义cube函数
def cube(x):
    return x * x * x

# 生成数据
x = jnp.ones((10000, 10000))

# 创建cube函数的jit版本
jit_cube = jit(cube)

# 应用cube函数和jit_cube函数于相同数据来比较其速度
cube(x)
jit_cube(x)

可見jit_cube的運行時間顯著的短於cube。

vmap

主條目：自動向量化（英語：Automatic vectorization）

下面的代碼展示vmap函數的通過SIMD的向量化。

# 导入库
from functools import partial
from jax import vmap
import jax.numpy as jnp

# 定义函数
def grads(self, inputs):
    in_grad_partial = partial(self._net_grads, self._net_params)
    grad_vmap = vmap(in_grad_partial)
    rich_grads = grad_vmap(inputs)
    flat_grads = np.asarray(self._flatten_batch(rich_grads))
    assert flat_grads.ndim == 2 and flat_grads.shape[0] == inputs.shape[0]
    return flat_grads

pmap

主條目：自動並行（英語：Automatic parallelization）

下面的代碼展示pmap函數的對矩陣乘法的並行化。

# 从JAX导入pmap和random；导入JAX NumPy
from jax import pmap, random
import jax.numpy as jnp

# 生成2个维度为5000 x 6000的随机数矩阵，每设备一个
random_keys = random.split(random.PRNGKey(0), 2)
matrices = pmap(lambda key: random.normal(key, (5000, 6000)))(random_keys)

# 没有数据传输，并行的在每个CPU/GPU上进行局部矩阵乘法 
outputs = pmap(lambda x: jnp.dot(x, x.T))(matrices)

# 没有数据传输，并行的在每个CPU/GPU上分别求取这两个矩阵的均值
means = pmap(jnp.mean)(outputs)
print(means)

最終的輸出為：

[1.1566595 1.1805978]

使用JAX的庫

一些Python庫使用JAX作為後端，這包括：

• Flax，最初由Google Brain開發的高層人工神經網絡庫^[11]。
• Equinox，將參數化函數（包括人工神經網絡）表示為PyTree的庫。它由Patrick Kidger創建^[12]。
• Diffrax，用於求微分方程的數值解的庫，比如解常微分方程和隨機微分方程^[13]。
• Optax，DeepMind開發的用於梯度處理和最優化的庫^[14]。
• Lineax，用於解線性方程組和線性最小二乘法（英語：Numerical methods for linear least squares）^[15]。
• RLax，DeepMind開發的用於強化學習的庫^[16]
• jraph，DeepMind開發的圖神經網絡（英語：Graph neural network）庫^[17]。
• jaxtyping，用於為陣列或張量的形狀和數據類型增加類型標註的庫^[18]。
• NumPyro，概率編程庫^[19]。
• Brax，物理引擎^[20]。

參見

• NumPy
• TensorFlow
• PyTorch
• CUDA
• 自動微分
• 即時編譯
• 自動向量化（英語：Automatic vectorization）
• 自動並行（英語：Automatic parallelization）