谷歌團(tuán)隊(duì)（非官方發(fā)布）打造了一個(gè)名為JAX的系統(tǒng)，今日在Reddit引發(fā)了熱議。網(wǎng)友紛紛為它叫好——“說不定能夠取代TensorFlow”。本文便帶領(lǐng)讀者一覽JAX的廬山真面目。

這個(gè)工具說不定比TensorFlow還好用！

它就是JAX，一款由谷歌團(tuán)隊(duì)打造（非官方發(fā)布），用于從純Python和Numpy機(jī)器學(xué)習(xí)程序中生成高性能加速器（accelerator）代碼，且特定于域的跟蹤JIT編譯器。

那么JAX到底有哪些威力呢？

JAX使用XLA編譯器基礎(chǔ)結(jié)構(gòu)，來為子程序生成最有利于加速的優(yōu)化代碼，這些優(yōu)化子程序可以由任意Python調(diào)用和編排；

由于JAX與Autograd完全兼容，它允許Python函數(shù)的正、反向模式（forward- and reverse-mode）自動(dòng)區(qū)分為任意順序；

由于JAX支持結(jié)構(gòu)化控制流，所以它可以在保持高性能的同時(shí)為復(fù)雜的機(jī)器學(xué)習(xí)算法生成代碼；

通過將JAX與Autograd和Numpy相結(jié)合，可得到一個(gè)易于編程且高性能的ML系統(tǒng)，該系統(tǒng)面向CPU，GPU和TPU，且能擴(kuò)展到多核Cloud TPU。

此“神器”在Reddit上引發(fā)了熱烈的討論，網(wǎng)友紛紛為它叫好：

我的天，“可微分的numpy”實(shí)在是太棒了！我對(duì)pytorch有一點(diǎn)不是很滿意，他們基本上重新做了numpy所做的一切，但存在一些愚蠢的差異，比如“dim”，而不是“axis”，等等。

JAX系統(tǒng)設(shè)計(jì)一覽

谷歌團(tuán)隊(duì)通過觀察發(fā)現(xiàn)，JAX的ML工作負(fù)載通常由PSC子程序控制。

JAX的設(shè)計(jì)便因此利用了函數(shù)通常可以直接在機(jī)器學(xué)習(xí)代碼中識(shí)別的特性，使機(jī)器學(xué)習(xí)研究人員可以使用JAX的jit_ps修飾符進(jìn)行注釋。

雖然手工注釋對(duì)非專業(yè)用戶和“零工作量知識(shí)”優(yōu)化提出了挑戰(zhàn)，但它為專家提供了直接的好處，而且作為一個(gè)系統(tǒng)研究項(xiàng)目，它展示了PSC假設(shè)的威力。

JAX跟蹤緩存為跟蹤計(jì)算的參數(shù)創(chuàng)建了一個(gè)monomorphic signature，以便新遇到的數(shù)組元素類型、數(shù)組維度或元組成員觸發(fā)重新編譯。在跟蹤緩存丟失時(shí)，JAX執(zhí)行相應(yīng)的Python函數(shù)，并將其執(zhí)行跟蹤到具有靜態(tài)數(shù)據(jù)依賴關(guān)系的原始函數(shù)圖中。

現(xiàn)有的原語不僅包括數(shù)組級(jí)別的數(shù)字內(nèi)核，包括Numpy函數(shù)和其他函數(shù)，它們?cè)试S用戶通過保留PSC屬性將控制流分段到編譯后的計(jì)算中。最后，JAX包含一些用于功能分布式編程的原語，如iterated_map_reduce。

為了生成代碼，JAX將跟蹤轉(zhuǎn)換為XLA HLO，這是一種中間語言，可以對(duì)高度可加速的數(shù)組級(jí)數(shù)值程序進(jìn)行建模。從廣義上講，JAX可以被看作是一個(gè)系統(tǒng)，它將XLA編程模型提升到Python中，并支持使用可加速的子程序，同時(shí)仍然允許動(dòng)態(tài)編排。

defxla_add(xla_builder,xla_args,np_x,np_y):returnxla_builder.Add(xla_args[0],xla_args[1])defxla_sinh(xla_builder,xla_args,np_x):b,xla_x=xla_builder,xla_args[0]returnb.Div(b.Sub(b.Exp(xla_x),b.Exp(b.Neg(xla_x))),b.Const(2))defxla_while(xla_builder,xla_args,cond_fun,body_fun,init_val):xla_cond=trace_computation(cond_fun,args=(init_val,))xla_body=trace_computation(body_fun,args=(init_val,))returnxla_builder.While(xla_cond,xla_body,xla_args[-1])jax.register_translation_rule(numpy.add,xla_add)jax.register_translation_rule(numpy.sinh,xla_sinh)jax.register_translation_rule(while_loop,xla_while)

JAX從原語到XLA HLO的翻譯規(guī)則

另外，JAX和Autograd完全兼容。

importautograd.numpyasnpfromautogradimportgradfromjaximportjit_psdefpredict(params,inputs):forW,binparamsoutputs=np.dot(inputs,W)+binputs=np.tanh(outputs)returnoutputsdefloss(params,inputs,targets):preds=predict(params,inputs)returnnp.sum((preds-targets)**2)grad_fun=jit_ps(grad(loss))#Compiledgradient-of-lossfunction

一個(gè)與JAX完全連接的基本神經(jīng)網(wǎng)絡(luò)

實(shí)驗(yàn)、性能結(jié)果比較

為了演示JAX和XLA提供的數(shù)組級(jí)代碼優(yōu)化和操作融合，谷歌團(tuán)隊(duì)編譯了一個(gè)具有SeLU非線性的完全連接神經(jīng)網(wǎng)絡(luò)層，并在圖1中顯示JAX trace和XLA HLO圖形。

圖1：XLA HLO對(duì)具有SeLU非線性的層進(jìn)行融合?；疑虮硎舅械牟僮鞫既诤系紾EMM中。

使用一個(gè)線程和幾個(gè)小的示例優(yōu)化問題（包括凸二次型、隱馬爾科夫模型(HMM)邊緣似然性和邏輯回歸）將Python執(zhí)行時(shí)間與CPU上的JAX編譯運(yùn)行時(shí)進(jìn)行了比較。

對(duì)于某些CPU示例來說，XLA的編譯時(shí)間比較慢，但將來可能會(huì)有顯著的改進(jìn)，對(duì)于經(jīng)過warmed-up代碼（表1），XLA的編譯速度非?？?。

表1：在CPU上Truncated Newton-CG的計(jì)時(shí)（秒）

在GPU上訓(xùn)練卷積網(wǎng)絡(luò)。谷歌團(tuán)隊(duì)實(shí)現(xiàn)了一個(gè)all-conv CIFAR-10網(wǎng)絡(luò)，只涉及卷積和ReLU激活。谷歌編寫了一個(gè)單獨(dú)的隨機(jī)梯度下降(SGD)更新步驟，并從一個(gè)純Python循環(huán)中調(diào)用它，結(jié)果如表2所示。

作為參考，谷歌在TensorFlow中實(shí)現(xiàn)了相同的算法，并在類似的Python循環(huán)中調(diào)用它。

表2：GPU上JAX convnet步驟的計(jì)時(shí)(msec)

云TPU可擴(kuò)展性。云TPU核心上的全局批處理的JAX并行化呈現(xiàn)線性加速（圖2，左）。在固定的minibatch / replica中，texec受復(fù)制計(jì)數(shù)的影響最小（在2ms內(nèi)，右邊）

圖2：為ConvNet訓(xùn)練步驟在云TPU上進(jìn)行擴(kuò)展。