JAX: 快如 PyTorch，简单如 NumPy - 深度学习与数据科学

JAX 是 TensorFlow 和 PyTorch 的新竞争对手。 JAX 强调简单性而不牺牲速度和可扩展性。由于 JAX 需要更少的样板代码，因此程序更短、更接近数学，因此更容易理解。

长话短说：

使用 import jax.numpy 访问 NumPy 函数，使用 import jax.scipy 访问 SciPy 函数。
通过使用 @jax.jit 进行装饰，可以加快即时编译速度。
使用 jax.grad 求导。
使用 jax.vmap 进行矢量化，并使用 jax.pmap 进行跨设备并行化。

函数式编程

JAX 遵循函数式编程哲学。这意味着您的函数必须是独立的或纯粹的：不允许有副作用。本质上，纯函数看起来像数学函数（图 1）。有输入进来，有东西出来，但与外界没有沟通。

例子#1

以下代码片段是一个非功能纯的示例。

复制代码

import jax.numpy as jnp

bias = jnp.array(0)
def impure_example(x):
   total = x + bias
   return total

注意 impure_example 之外的偏差。在编译期间（见下文），偏差可能会被缓存，因此不再反映偏差的变化。

例子#2

这是一个pure的例子。

复制代码

def pure_example(x, weights, bias):
   activation = weights @ x + bias
   return activation

在这里，pure_example 是独立的：所有参数都作为参数传递。

确定性采样器

在计算机中，不存在真正的随机性。相反，NumPy 和 TensorFlow 等库会跟踪伪随机数状态来生成"随机"样本。

函数式编程的直接后果是随机函数的工作方式不同。由于不再允许全局状态，因此每次采样随机数时都需要显式传入伪随机数生成器 (PRNG) 密钥

复制代码

import jax

key = jax.random.PRNGKey(42)
u = jax.random.uniform(key)

此外，您有责任为任何后续调用推进"随机状态"。

复制代码

key = jax.random.PRNGKey(43)

# Split off and consume subkey.
key, subkey = jax.random.split(key)
u = jax.random.uniform(subkey)

# Split off and consume second subkey.
key, subkey = jax.random.split(key)
u = jax.random.uniform(subkey)

..

jit

您可以通过即时编译 JAX 指令来加快代码速度。例如，要编译缩放指数线性单位 (SELU) 函数，请使用 jax.numpy 中的 NumPy 函数并将 jax.jit 装饰器添加到该函数，如下所示：

复制代码

from jax import jit

@jit
def selu(x, α=1.67, λ=1.05):
 return λ * jnp.where(x > 0, x, α * jnp.exp(x) - α)

JAX 会跟踪您的指令并将其转换为 jaxpr。这使得加速线性代数 (XLA) 编译器能够为您的加速器生成非常高效的优化代码。

gard

JAX 最强大的功能之一是您可以轻松获取 gard。使用 jax.grad，您可以定义一个新函数，即符号导数。

复制代码

from jax import grad

def f(x):
   return x + 0.5 * x**2

df_dx = grad(f)
d2f_dx2 = grad(grad(f))

正如您在示例中看到的，您不仅限于一阶导数。您可以通过简单地按顺序链接 grad 函数 n 次来获取 n 阶导数。

vmap 和 pmap

矩阵乘法使所有批次尺寸正确需要非常细心。 JAX 的矢量化映射函数 vmap 通过对函数进行矢量化来减轻这种负担。基本上，每个按元素应用函数 f 的代码块都是由 vmap 替换的候选者。让我们看一个例子。

计算线性函数：

复制代码

def linear(x):
 return weights @ x

在一批示例 $x₁, x2,..$ 中，我们可以天真地（没有 vmap）实现它，如下所示：

复制代码

def naively_batched_linear(X_batched):
 return jnp.stack([linear(x) for x in X_batched])

相反，通过使用 vmap 对线性进行向量化，我们可以一次性计算整个批次：

复制代码

def vmap_batched_linear(X_batched):
 return vmap(linear)(X_batched)

本文由mdnice多平台发布