乐趣区

关于深度学习:机器学习洞察-JAX机器学习领域的新面孔

jiezi

在之前的《机器学习洞察》系列文章中，咱们别离针对于多模态机器学习和分布式训练、无服务器推理进行了解读，本文将为您重点介绍 JAX 的倒退并分析其演变和动机。上面，就让咱们来认识一下 JAX 这一新崛起的深度学习框架——

亚马逊云科技开发者社区为开发者们提供寰球的开发技术资源。这里有技术文档、开发案例、技术专栏、培训视频、流动与比赛等。帮忙中国开发者对接世界最前沿技术，观点，和我的项目，并将中国优良开发者或技术举荐给寰球云社区。如果你还没有关注 / 珍藏，看到这里请肯定不要匆匆划过，点这里让它成为你的技术宝库！

开源机器学习框架的演进

从这张 GitHub Star 趋势图能够看到，自 2019 年 JAX 呈现到现在放弃着一个向上的抛物线走势。

在考查一个开源机器学习框架时，例如开发者熟知的 PyTorch, TensorFlow, MXNet 等，往往会从反对模型的广泛性、部署的成熟性、生态系统的丰富性来对它做一个评估：包含是否反对 Hugging Face 等支流模型，以及其框架相干钻研论文的数量，还有它可提供复现代码的论文数量等等。

JAX 的源起

  • 为什么 Eager 模式是在 TensorFlow 1.4 版本之后引入的？
  • Eager 模式在 TensorFlow 2.0 之后变成了一个默认的执行模式，和原有的 Graph 模式的区别是什么？
  • …

回归并理清这些历史问题有助于开发者理解机器学习的演变逻辑，并理解 JAX 是如何汲取之前的教训，帮忙开发者更不便地实际深度学习或机器学习利用。

Eager 模式 V.S. Graph 模式

在 TF 引进了 Eager 模式之后，它会采纳更直观的界面，应用天然的 Python 代码和数据结构，而且享受更加便携的调试，在 Eager 模式中能够通过间接调用操作来检查和测试模型，而之前 Graph 这种模式有点相似于 C 和 C++，它的编程是写好程序之后要先进行编译能力运行。

Eager 模式有天然管制的流程，应用 Python 而不是图控制流，以及反对 GPU 和 TPU 的减速。做为开发者，咱们心愿能够主观地对待不同的框架，而不是比拟他们的优劣。值得思考的一个问题是：通过理解 TF 的 Eager 模式对于 Graph 模式的改良，它的改良逻辑和思路在 JAX 中都有身影。

什么是 JAX

JAX 作为当初越来越风行的库，是一种相似于 NumPy（应用 Python 开源的数值计算扩大库）的轻量级用于阵列的计算。JAX 最开始的设计不仅仅是为了深度学习而设计的，深度学习只是它的一小部分，它提供了编写 NumPy 程序的能力，这些程序能够应用 GPU/TPU 主动拆分和减速。

JAX 用于基于阵列的计算时，开发者无需批改代码就能够在 CPU/GPU/ASIC 上同时运行，并反对原生 Python 和 NumPy 函数的四种可组合函数转换：

  • 主动微分 (Autodiff)
  • 即时编译 (JIT compilation)
  • 主动向量化 (Vectorization)
  • 代码并行化 (Parallelization)

JAX 初体验

咱们能够通过上面这个简略的测试比照 JAX 和 NumPy 的计算性能。

输出一个 100 X 100 的二维数组 X，选取 ml.g4dn.12xlarge 计算实例通过 NumPy 和 JAX 别离对矩阵的前三次幂求和：

def fn(x):
  return x + x*x + x*x*x
x = np.random.randn(10000, 10000).astype(dtype='float32')
%timeit -n5 fn(x)

436 ms ± 206 µs per loop (mean ± std. dev. of 7 runs, 5 loops each)

咱们发现此计算大概须要 436 毫秒。接下来，咱们应用 JAX 实现以下计算：

jax_fn = jit(fn)
x = jnp.array(x)
%timeit jax_fn(x).block_until_ready()
3.67 ms ± 10.7 µs per loop (mean ± std. dev. of 7 runs, 1 loop each)

JAX 仅在 3.67 毫秒内执行此计算，比 NumPy 快 118 倍以上。可见，JAX 有可能比 NumPy 快几个数量级（留神，JAX 应用 TPU 而 NumPy 正在应用 CPU）。

* 以上为集体测试后果，非官方提供的数据，仅供钻研参考

比照测试后果可得，NumPy 实现计算须要 436 毫秒，而 JAX 仅须要 3.67 毫秒，计算速度相差 100 多倍。这个测试也阐明了为什么很多开发者对它的性能拍案叫绝。

JAX 的动机分析

咱们心愿通过答复这个问题来解读 JAX 的动机：

如何应用 Python 从头开始实现高性能和可扩大的深度神经网络？

在 NumPy 中创立深度学习零碎

通常，Python 程序员会从 NumPy 之类的货色开始，因为它是一种相熟的、基于数组的数据处理语言，在 Python 社区中曾经应用了几十年。如果你想在 NumPy 中创立深度学习零碎，你能够从预测办法开始。

这里能够用一个具体的例子阐明问题，从 NumPy 上的深度学习的场景说起：

上述代码展现了订阅一个前馈的神经网络，它执行了一系列的点积和激活函数，而后将输出转化为某种能够学习的输入。一旦定义了这样的一个模型，接下来须要做就是要定义损失函数，这个函数将为你提供正在尝试优化的那些指标，来适应最佳的机器学习模型。例如以上代码的损失函数是以均方误差损失函数 MSE 为例。

当初咱们来剖析下：在深度学习场景应用 NumPy 还短少什么？

硬件加速 (GPU/TPU)

主动微分 (autodiff) 疾速优化

增加编译 (Compilation) 交融操作

向量化操作批处理 (batching)

大型数据集并行化 (Parallelization)

1）硬件加速 (GPU/TPU)：首先深度学习须要大量的计算，咱们想在减速的硬件上运行它。所以咱们想在 GPU 和 TPU/ASIC 上运行这个模型，这对于经典的 NumPy 来说有点艰难；

2）主动微分 (autodiff) 疾速优化：接下来咱们想要做主动微分，这样就能够无效地拟合这个损失函数，而不用本人来实现数值微分；

3）而后咱们须要增加编译 (Compilation)：这样你就能够将这些操作交融在一起，使它们更加高效；

4）向量化操作批处理 (Batching)：另外，当咱们编写了某些函数后，可能心愿将其利用于多个数据片段，而不再须要重写预测和损失函数来解决这些批量数据；

5）大型数据集并行化 (Parallelization)：最初，如果咱们正在解决大型数据集，会心愿可能反对跨多个 cores 或多台 machines 做并行化操作。

JAX 的动机分析：XLA 和主动定位

JAX 十分重要的一个动机就是 XLA 和主动定位。让咱们来看看 JAX 能够做些什么，来填补后面剖析的在深度学习场景应用 NumPy 还短少的性能。

首先，用 jax.numpy 替换 numpy 导入模块。在许多状况下，jax.numpy 与经典的 NumPy 具备雷同的 API，但 jax.numpy 能够实现后面剖析时发现 NumPy 短少，然而在深度学习场景却十分须要的的货色。

JAX 能够通过 XLA 后端，来主动定位 CPU、GPU 和 TPU 或者 ASIC，以便疾速计算模型和算法。

JAX 动机分析：Autograd

第二个重要动机是 Autograd。开发者能够通过上面的代码调用 Autograd 版本：

通过 from jax import grad 模块，应用 Autograd 的更新版本，JAX 能够主动微分原生 Python 和 NumPy 函数。它能够解决 Python 性能的大子集，包含循环、Ifs、递归等，甚至能够承受导数的导数。

JAX 提供了一组可组合的变换，其中之一是 grad 变换。

例子中，像 mse_loss 这样的损失函数，通过 grad (mse_loss) 将其转换为计算梯度的 Python 函数。

Autograd 的次要预期利用是基于梯度的优化。

无关更多信息，请查看 JAX 教程和示例：Https://github.com/hips/autograd

JAX 动机分析：vmap

在应用梯度函数时，开发者心愿将其利用于多个数据片段，而在 JAX 中，你不再须要重写预测和损失函数来解决这些批量数据。

如图中代码最初一行 (perexample_grads …) 所诠释的那样，如果你通过 vmap transform 传递它，这会主动向量化这个代码，这样就能够在多个批次中应用雷同的代码。

JAX 动机分析：jit

JAX 还有一个重要的组合函数——jit，开发者能够应用 jit transform 实现即时编译。

jit 联合后盾能够应用 XLA 后端编译器将操作交融在一起，来主动定位 CPU、GPU 和 TPU 或者 ASIC，减速计算模型和算法。

JAX 动机分析：pmap

最初，如果想并行化你的代码，有一个和 vmap 十分类似得转换叫 pmap。

通过代码运行 pmap，开发者可能本地定位系统中的多个内核或你有权拜访的 GPU、TPU 或 ASIC 集群。

这最终成为一个十分弱小的零碎，能够在没有太多额定代码的状况下构建咱们用相似于 NumPy 的相熟 API，做深度学习的疾速计算等工作负载。

JAX 的要害设计思维

通过上述比照能够看到，JAX 不仅为开发者提供了和 NumPy 类似的 API，上述的五大函数转换组合也让 JAX 能够在不须要额定代码的状况下，帮忙开发者构建深度学习利用进行疾速计算。

这里的要害思维是：

1）首先，在 JAX 中，Python 代码被追溯到两头示意，JAX 晓得如何转换这个两头示意。

2）在下篇文章中咱们也将详细分析 JAX 的工作机制：同样的两头示意，通过容许 XLA 进行特定畛域 (CPU/GPU 等) 的编译，如何来瞄准不同的后端；

3）另外，JAX 还有基于 NumPy 和 SciPy 的面向用户的 API，如果开发者始终应用 Python 的技术栈，应该会对 JAX 感觉相当相熟；

4）最初，JAX 提供了 功能强大的变换：grad, git, vmap, pmap 等，来反对深度学习等计算，因而 JAX 能够做到之前 NumPy 代码无奈做到的事件。

通过后面的介绍，咱们能够看到，开发者相熟的 API 和语法以及四种弱小的转换组合让开发者更加喜爱 JAX，并让深度学习场景或者科学计算变得十分简便。
欢送回顾对于机器学习的往期文章，以及更多面向开发者的技术分享。请继续关注 Build On Cloud 微信公众号！

往期举荐

  • 机器学习洞察 | 开掘多模态数据机器学习的价值
  • 机器学习洞察 | 分布式训练让机器学习更加疾速精确
  • 机器学习洞察 | 降本增效，无服务器推理是怎么做到的？

作者
黄浩文
亚马逊云科技资深开发者布道师，专一于 AI/ML、Data Science 等。领有 20 多年电信、挪动互联网以及云计算等行业架构设计、技术及守业治理等丰盛教训，曾就任于 Microsoft、Sun Microsystems、中国电信等企业，专一为游戏、电商、媒体和广告等企业客户提供 AI/ML、数据分析和企业数字化转型等解决方案咨询服务。

文章起源：https://dev.amazoncloud.cn/column/article/63e33239e5e05b6ff89…

退出移动版