要替代TensorFlow？谷歌开源机器学习库JAX

策划编辑 | Natalie

来源｜Reddit

整理｜Vincent

编辑｜Debra

AI 前线导读：什么？TensorFlow 有了替代品？什么？竟然还是谷歌自己做出来的？先别慌，从各种意义上来说，这个所谓的“替代品”其实是 TensorFlow 的一个简化库，名为 JAX，结合 Autograd 和 XLA，可以支持部分 TensorFlow 的功能，但是比 TensorFlow 更加简洁易用。虽然还不至于替代 TensorFlow，但已经有 Reddit 网友对 JAX 寄予厚望，并表示“早就期待能有一个可以直接调用 Numpy API 接口的库了！”，“希望它可以取代 TensorFlow！”。

更多干货内容请关注微信公众号“AI 前线”（ID：ai-front）

JAX 结合了 Autograd 和 XLA，是专为高性能机器学习研究打造的产品。

有了新版本的 Autograd，JAX 能够自动对 Python 和 NumPy 的自带函数求导，支持循环、分支、递归、闭包函数求导，而且可以求三阶导数。它支持自动模式反向求导（也就是反向传播）和正向求导，且二者可以任意组合成任何顺序。

JAX 的创新之处在于，它基于 XLA 在 GPU 和 TPU 上编译和运行 NumPy 程序。默认情况下，编译是在底层进行的，库调用能够及时编译和执行。但是 JAX 还允许使用单一函数 API 将自己的 Python 函数及时编译成经过 XLA 优化的内核。编译和自动求导可以任意组合，因此可以在不脱离 Python 环境的情况下实现复杂算法并获得最优性能。

JAX 最初由 Matt Johnson、Roy Frostig、Dougal Maclaurin 和 Chris Leary 发起，他们均任职于谷歌大脑团队。在 GitHub 的说明文档中，作者明确表示：JAX 目前还只是一个研究项目，不是谷歌的官方产品，因此可能会有一些 bug。从作者的 GitHub 简介来看，这应该是谷歌大脑正在尝试的新项目，在同一个 GitHub 目录下的开源项目还包括 8 月份在业内引起热议的强化学习框架 Dopamine。

以下是 JAX 的简单使用示例。

GitHub 项目传送门：https://github.com/google/JAX

有关具体的安装和简单的入门指导大家可以在 GitHub 中自行查看，在此不做过多赘述。

JAX 库的实现原理

机器学习中的编程是关于函数的表达和转换。转换包括自动微分、加速器编译和自动批处理。像 Python 这样的高级语言非常适合表达函数，但是通常使用者只能应用它们。我们无法访问它们的内部结构，因此无法执行转换。

JAX 可以用于专门化高级 Python+NumPy 函数，并将其转换为可转换的表示形式，然后再提升为 Python 函数。

JAX 通过跟踪专门处理 Python 函数。跟踪一个函数意味着：监视应用于其输入，以产生其输出的所有基本操作，并在有向无环图 (DAG) 中记录这些操作及其之间的数据流。为了执行跟踪，JAX 包装了基本的操作，就像基本的数字内核一样，这样一来，当调用它们时，它们就会将自己添加到执行的操作列表以及输入和输出中。为了跟踪这些原语之间的数据流，跟踪的值被包装在 Tracer 类的实例中。

当 Python 函数被提供给 grad 或 jit 时，它被包装起来以便跟踪并返回。当调用包装的函数时，我们将提供的具体参数抽象到 AbstractValue 类的实例中，将它们框起来用于跟踪跟踪器类的实例，并对它们调用函数。

抽象参数表示一组可能的值，而不是特定的值：例如，jit 将 ndarray 参数抽象为抽象值，这些值表示具有相同形状和数据类型的所有 ndarray。相反，grad 抽象 ndarray 参数来表示底层值的无穷小邻域。通过在这些抽象值上跟踪 Python 函数，我们确保它足够专门化，以便转换是可处理的，并且它仍然足够通用，以便转换后的结果是有用的，并且可能是可重用的。然后将这些转换后的函数提升回 Python 可调用函数，这样就可以根据需要跟踪并再次转换它们。

JAX 跟踪的基本函数大多与 XLA HLO 1:1 对应，并在 lax.py 中定义。这种 1:1 的对应关系使得到 XLA 的大多数转换基本上都很简单，并且确保我们只有一小组原语来覆盖其他转换，比如自动微分。 jax.numpy 层是用纯 Python 编写的，它只是用 LAX 函数 (以及我们已经编写的其他 numpy 函数) 表示 numpy 函数。这使得 jax.numpy 易于延展。

当你使用 jax.numpy 时，底层 LAX 原语是在后台进行 jit 编译的，允许你在加速器上执行每个原语操作的同时编写不受限制的 Python+ numpy 代码。

但是 JAX 可以做更多的事情：你可以在越来越大的函数上使用 jit 来进行端到端编译和优化，而不仅仅是编译和调度到一组固定的单个原语。例如，可以编译整个网络，或者编译整个梯度计算和优化器更新步骤，而不仅仅是编译和调度卷积运算。

折衷之处是，jit 函数必须满足一些额外的专门化需求：因为我们希望编译专门针对形状和数据类型的跟踪，但不是专门针对具体值的跟踪，所以 jit 装饰器下的 Python 代码必须适用于抽象值。如果我们尝试在一个抽象的 x 上求 x >0 的值，结果是一个抽象的值，表示集合，所以 Python 分支就像 if x > 0 会引起报错。

有关使用 jit 的更多要求，请参见：https://github.com/google/jax#whats-supported

好消息是，jit 是可选的：JAX 库在后台对单个操作和函数使用 jit，允许编写不受限制的 Python+Numpy，同时仍然使用硬件加速器。但是，当你希望最大化性能时，通常可以在自己的代码中使用 jit 编译和端到端优化更大的函数。

后续计划

目前项目小组还将对以下几项做更多尝试和更新：

完善说明文档

支持 Cloud TPU

支持多 GPU 和多 TPU

支持完整的 NumPy 功能和部分 SciPy 功能

全面支持 vmap

加速

降低 XLA 函数调度开销

线性代数例程（CPU 上的 MKL 和 GPU 上的 MAGMA）

高效自动微分原语和

有关 JAX 库的介绍大致如此，如果你在尝试了 JAX 之后有一些较好的使用心得，欢迎随时向我们投稿，AI 前线十分愿意将你的经验传播给更多开发者。

再次附上 GitHub 链接：https://github.com/google/jax

相关资源：

JAX论文链接：https://www.sysml.cc/doc/146.pdf

今日荐文