首页 / GitHub 趋势 / JAX 和 PyTorc…
AI 与机器学习

JAX 和 PyTorch 哪个好?先看你要不要写 NumPy 风格的代码

jax-ml/jax

GitHub 仓库
jax-ml/jax
总 Stars
★ 36,645
主要语言
Python
查看 GitHub 项目

这篇的主角是 JAX:Google 的数值计算库,36,645 星,Apache-2.0 协议,143 个版本,用 grad、jit、vmap 三个变换就能把 NumPy 代码变成 GPU 和 TPU 上跑的加速代码。

适合谁:做研究、写自定义训练循环、搞科学计算的人;想从 NumPy 平滑过渡到加速计算的人。

能干嘛:写 NumPy 风格代码,自动求导、编译到 XLA;跨 TPU、GPU、CPU 扩展;支持高阶求导、跨设备并行;Keras 3 的后端之一。

是什么:面向加速器的数组计算和程序变换库,自动微分、即时编译、自动向量化都能任意组合,2018 年开源,攒下 39,995 次提交。

JAX 和 PyTorch 哪个好?

PyTorch 生态大、开箱即用的模型和教程多,工程落地更顺;JAX 胜在变换可组合,写研究代码、抠性能、跨 TPU 跑的时候更顺手;Keras 3 能同时跑在两者上面,不用二选一可以先混着用。

注意点:jit 对 Python 控制流有限制,写之前先看“陷阱”文档;README 自己写了这是研究项目、不是 Google 正式产品,有些地方比较糙;Windows 原生不支持 GPU,AMD GPU 还是实验性的;装 GPU 版要按平台选对附加包。

站长点评:我挑它是因为 36,645 星、将近 4 万次提交,JAX 在研究圈的地位已经不用多说;提醒新手一句,别一上来就 jit 全家桶,先把纯函数那套想明白。

⬇ 下载区(本站中转)

本站服务器实时中转 GitHub 文件,国内网络也可稳定下载;也可使用右侧官方链接。 本项目遵循 Apache-2.0 许可证。

📦 源码包(默认分支 ZIP)本站下载官方下载

要下载其他 GitHub 项目?试试本站的 GitHub 加速下载工具,粘贴链接即可中转。

AI 与机器学习 热度最高

相关推荐