Github1.3萬星，迅猛發展的JAX對比TensorFlow、PyTorch
在機器學習領域，大家可能對 TensorFlow 和 PyTorch 已經耳熟能詳，但除了這兩個框架，一些新生力量也不容小覷，它就是谷歌推出的 JAX。很多研究者對其寄予厚望，希望它可以取代 TensorFlow 等眾多機器學習框架。
JAX 最初由谷歌大腦團隊的 Matt Johnson、Roy Frostig、Dougal Maclaurin 和 Chris Leary 等人發起。
目前，JAX 在 GitHub 上已累積 13.7K 星。
項目地址：https://github.com/google/jax
迅速發展的 JAX
JAX 的前身是 Autograd，其借助 Autograd 的更新版本，并且結合了 XLA，可對 Python 程序與 NumPy 運算執行自動微分，支持循環、分支、遞歸、閉包函數求導，也可以求三階導數；依賴于 XLA，JAX 可以在 GPU 和 TPU 上編譯和運行 NumPy 程序；通過 grad，可以支持自動模式反向傳播和正向傳播，且二者可以任意組合成任何順序。
開發 JAX 的出發點是什么？說到這，就不得不提 NumPy。NumPy 是 Python 中的一個基礎數值運算庫，被廣泛使用。但是 numpy 不支持 GPU 或其他硬件加速器，也沒有對反向傳播的內置支持，此外，Python 本身的速度限制阻礙了 NumPy 使用，所以少有研究者在生產環境下直接用 numpy 訓練或部署深度學習模型。
在此情況下，出現了眾多的深度學習框架，如 PyTorch、TensorFlow 等。但是 numpy 具有靈活、調試方便、API 穩定等獨特的優勢。而 JAX 的主要出發點就是將 numpy 的以上優勢與硬件加速結合。
目前，基于 JAX 已有很多優秀的開源項目，如谷歌的神經網絡庫團隊開發了 Haiku，這是一個面向 Jax 的深度學習代碼庫，通過 Haiku，用戶可以在 Jax 上進行面向對象開發；又比如 RLax，這是一個基于 Jax 的強化學習庫，用戶使用 RLax 就能進行 Q-learning 模型的搭建和訓練；此外還包括基于 JAX 的深度學習庫 JAXnet，該庫一行代碼就能定義計算圖、可進行 GPU 加速。可以說，在過去幾年中，JAX 掀起了深度學習研究的風暴，推動了科學研究迅速發展。
JAX 的安裝
如何使用 JAX 呢？首先你需要在 Python 環境或 Google colab 中安裝 JAX，使用 pip 進行安裝：
- $ pip install --upgrade jax jaxlib
注意，上述安裝方式只是支持在 CPU 上運行，如果你想在 GPU 執行程序，首先你需要有 CUDA、cuDNN ，然后運行以下命令（確保將 jaxlib 版本映射到 CUDA 版本）：
- $ pip install --upgrade jax jaxlib==0.1.61+cuda110 -f https://storage.googleapis.com/jax-releases/jax_releases.html
現在將 JAX 與 Numpy 一起導入：
- import jax
- import jax.numpy as jnp
- import numpy as np
JAX 的一些特性
使用 grad() 函數自動微分：這對深度學習應用非常有用，這樣就可以很容易地運行反向傳播，下面為一個簡單的二次函數并在點 1.0 上求導的示例：
- from jax import grad
- def f(x):
- return 3*x**2 + 2*x + 5
- def f_prime(x):
- return 6*x +2
- grad(f)(1.0)
- # DeviceArray(8., dtype=float32)
- f_prime(1.0)
- # 8.0
jit（Just in time） ：為了利用 XLA 的強大功能，必須將代碼編譯到 XLA 內核中。這就是 jit 發揮作用的地方。要使用 XLA 和 jit，用戶可以使用 jit() 函數或 @jit 注釋。
- from jax import jit
- x = np.random.rand(1000,1000)
- y = jnp.array(x)
- def f(x):
- for _ in range(10):
- x = 0.5*x + 0.1* jnp.sin(x)
- return x
- g = jit(f)
- %timeit -n 5 -r 5 f(y).block_until_ready()
- # 5 loops, best of 5: 10.8 ms per loop
- %timeit -n 5 -r 5 g(y).block_until_ready()
- # 5 loops, best of 5: 341 µs per loop
pmap：自動將計算分配到所有當前設備，并處理它們之間的所有通信。JAX 通過 pmap 轉換支持大規模的數據并行，從而將單個處理器無法處理的大數據進行處理。要檢查可用設備，可以運行 jax.devices（）：
- from jax import pmap
- def f(x):
- return jnp.sin(x) + x**2
- f(np.arange(4))
- #DeviceArray([0. , 1.841471 , 4.9092975, 9.14112 ], dtype=float32)
- pmap(f)(np.arange(4))
- #ShardedDeviceArray([0. , 1.841471 , 4.9092975, 9.14112 ], dtype=float32)
vmap：是一種函數轉換，JAX 通過 vmap 變換提供了自動矢量化算法，大大簡化了這種類型的計算，這使得研究人員在處理新算法時無需再去處理批量化的問題。示例如下：
- from jax import vmap
- def f(x):
- return jnp.square(x)
- f(jnp.arange(10))
- #DeviceArray([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81], dtype=int32)
- vmap(f)(jnp.arange(10))
- #DeviceArray([ 0, 1, 4, 9, 16, 25, 36, 49, 64, 81], dtype=int32)
TensorFlow vs PyTorch vs Jax
在深度學習領域有幾家巨頭公司，他們所提出的框架被廣大研究者使用。比如谷歌的 TensorFlow、Facebook 的 PyTorch、微軟的 CNTK、亞馬遜 AWS 的 MXnet 等。
每種框架都有其優缺點，選擇的時候需要根據自身需求進行選擇。
我們以 Python 中的 3 個主要深度學習框架——TensorFlow、PyTorch 和 Jax 為例進行比較。這些框架雖然不同，但有兩個共同點：
- 它們是開源的。這意味著如果庫中存在錯誤，使用者可以在 GitHub 中發布問題（并修復），此外你也可以在庫中添加自己的功能；
- 由于全局解釋器鎖，Python 在內部運行緩慢。所以這些框架使用 C/C++ 作為后端來處理所有的計算和并行過程。
那么它們的不同體現在哪些方面呢？如下表所示，為 TensorFlow、PyTorch、JAX 三個框架的比較。
TensorFlow
TensorFlow 由谷歌開發，最初版本可追溯到 2015 年開源的 TensorFlow0.1，之后發展穩定，擁有強大的用戶群體，成為最受歡迎的深度學習框架。但是用戶在使用時，也暴露了 TensorFlow 缺點，例如 API 穩定性不足、靜態計算圖編程復雜等缺陷。因此在 TensorFlow2.0 版本，谷歌將 Keras 納入進來，成為 tf.keras。
目前 TensorFlow 主要特點包括以下：
- 這是一個非常友好的框架，高級 API-Keras 的可用性使得模型層定義、損失函數和模型創建變得非常容易；
- TensorFlow2.0 帶有 Eager Execution（動態圖機制），這使得該庫更加用戶友好，并且是對以前版本的重大升級；
- Keras 這種高級接口有一定的缺點，由于 TensorFlow 抽象了許多底層機制（只是為了方便最終用戶），這讓研究人員在處理模型方面的自由度更小；
- Tensorflow 提供了 TensorBoard，它實際上是 Tensorflow 可視化工具包。它允許研究者可視化損失函數、模型圖、模型分析等。
PyTorch
PyTorch(Python-Torch) 是來自 Facebook 的機器學習庫。用 TensorFlow 還是 PyTorch？在一年前，這個問題毫無爭議，研究者大部分會選擇 TensorFlow。但現在的情況大不一樣了，使用 PyTorch 的研究者越來越多。PyTorch 的一些最重要的特性包括：
- 與 TensorFlow 不同，PyTorch 使用動態類型圖，這意味著執行圖是在運行中創建的。它允許我們隨時修改和檢查圖的內部結構；
- 除了用戶友好的高級 API 之外，PyTorch 還包括精心構建的低級 API，允許對機器學習模型進行越來越多的控制。我們可以在訓練期間對模型的前向和后向傳遞進行檢查和修改輸出。這被證明對于梯度裁剪和神經風格遷移非常有效；
- PyTorch 允許用戶擴展代碼，可以輕松添加新的損失函數和用戶定義的層。PyTorch 的 Autograd 模塊實現了深度學習算法中的反向傳播求導數，在 Tensor 類上的所有操作， Autograd 都能自動提供微分，簡化了手動計算導數的復雜過程；
- PyTorch 對數據并行和 GPU 的使用具有廣泛的支持；
- PyTorch 比 TensorFlow 更 Python 化。PyTorch 非常適合 Python 生態系統，它允許使用 Python 類調試器工具來調試 PyTorch 代碼。
JAX
JAX 是來自 Google 的一個相對較新的機器學習庫。它更像是一個 autograd 庫，可以區分原生的 python 和 NumPy 代碼。JAX 的一些特性主要包括：
- 正如官方網站所描述的那樣，JAX 能夠執行 Python+NumPy 程序的可組合轉換：向量化、JIT 到 GPU/TPU 等等；
- 與 PyTorch 相比，JAX 最重要的方面是如何計算梯度。在 Torch 中，圖是在前向傳遞期間創建的，梯度在后向傳遞期間計算， 另一方面，在 JAX 中，計算表示為函數。在函數上使用 grad() 返回一個梯度函數，該函數直接計算給定輸入的函數梯度；
- JAX 是一個 autograd 工具，不建議單獨使用。有各種基于 JAX 的機器學習庫，其中值得注意的是 ObJax、Flax 和 Elegy。由于它們都使用相同的核心并且接口只是 JAX 庫的 wrapper，因此可以將它們放在同一個 bracket 下；
- Flax 最初是在 PyTorch 生態系統下開發的，更注重使用的靈活性。另一方面，Elegy 受 Keras 啟發。ObJAX 主要是為以研究為導向的目的而設計的，它更注重簡單性和可理解性。
