På de hurtigt skiftende områder inden for maskinlæring og videnskabelig databehandling er de to vigtigste faktorer, der er meget nødvendige, driftshastighed og fleksibilitet. Programmet JAX, som kommer fra Google Research-teamet, er et meget kendt værktøj, som er kommet øverst på listen i jagten på hastighed inden for numerisk databehandling og dyb læring. JAX har alle de grundlæggende NumPy-funktioner, og derudover introducerer det et meget velkendt sprog med nogle af de mest avancerede funktioner såsom automatisk differentiering, der gør det muligt at køre maskinlæringsarbejdsbyrder og kode optimeret til moderne GPU'er/TPU'er og også med just-in-time-kompilering. Denne artikel undersøger JAX i ens søgen efter den mest passende måde at bruge det på, sammenligner den faktiske kapacitet med den påståede og tilbyder en enkel vejledning, der er velegnet til nybegyndere i dette emne.
Hvad er JAX?
JAX er et stærkt numerisk beregningsbibliotek, der udvider NumPy-funktionaliteten til at omfatte forskellige funktioner, der forbedrer produktiviteten i moderne maskinlæring og videnskabelig databehandling. I modsætning til ældre biblioteker er JAX centreret omkring organisering af funktionsoverførsel, hvilket hjælper med at gøre den kode, som forskeren og ingeniøren skriver, både kort og kraftfuld. De vigtigste funktioner i JAX er dens understøttelse af automatisk differentiering, hardwareacceleration og den lette integration med de eksisterende Python-arbejdsgange.
De vigtigste egenskaber ved JAX
JAX adskiller sig fra andre talknusende værktøjssæt på grund af følgende unikke egenskaber:
Kompatibilitet med NumPy: JAX understøtter de fleste af de array-operationer, som NumPy har at tilbyde. Dermed behøver brugerne ikke at smide deres gamle koder væk, når de bruger Numpy-operationer, og de kan også nyde godt af fordelene ved GPU/TPU-acceleration.
Automatisk differentiering: Ved at levere reverse og forward-mode autodiff som en del af biblioteket sænker JAX adgangsbarrieren for den besværlige beregning af gradienter til maskinlæring og optimeringsapplikationer.
Just-in-time-kompilering (JIT): En af funktionerne i jit-dekoratoren er muligheden for at kompilere Python-funktioner direkte til en effektiv maskinkode, hvilket fører til en stor forbedring af ydeevnen.
Hardwareacceleration: Uden ændringer i koden kan JAX fungere lige så gnidningsløst på CPU'er, GPU'er og TPU'er til både simple og meget store forskningsopgaver.
Transformation af funktioner: Meget effektive værktøjer som grad, vmap og pmap kan ikke kun transformere (og dermed optimere) funktioner ved hjælp af vektorisering, parallelisering og automatisk batching, men kan også gøre det på en nem og hurtig måde.

Kom godt i gang med JAX: En grundlæggende vejledning
Vores mål i dette tilfælde er at give et kort eksempel, der introducerer JAX's automatiske differentiering og JIT-kompilering.
Først og fremmest skal JAX installeres via pip:
pip install jax jaxlib
Derefter skal de nødvendige moduler importeres:
importere jax
importer jax.numpy som jnp
fra jax import grad, jit
Det er en god idé at vælge en funktion, der er let at forstå og forklare, før du finder gradienten af en funktion:
def f(x):
return 3 * x ** 2 + 2 * x + 1
df_dx = grad(f)
print(df_dx(2.0)) # Output: 14.0
Den hurtigere udførelse kan nu opnås ved JIT-kompilering:
@jit
def fast_f(x):
return 3 * x ** 2 + 2 * x + 1
print(fast_f(2.0)) # Output: 17.0
Denne tutorial viser mere end bare, hvor god JAX er til at finde gradienter. JAX passer sådanne operationer ind i kernen og tilbyder vmap og pmap til arbejdet med batch- eller enhedsparallelisering.
Konklusion
JAX er et stort fremskridt inden for array computing, da det kombinerer brugervenligheden af NumPy med den seneste optimering af ydeevnen. Selv om det er en lille forhindring at lære at håndtere funktionel programmering, er de resulterende fordele i form af hastighed og tilpasningsevne ganske givende. Uanset om det drejer sig om træning af maskinlæringsmodeller, videnskabelige simuleringer eller optimering af matematiske funktioner, er JAX det værktøj, der vil hjælpe med at flytte grænserne for, hvad der er muligt i Python.