谷歌开源了一个 TensorFlow 的简化库 JAX。

JAX 联合了 Autograd 和 XLA，专门用于高功能机械进修研讨。

凭仗 Autograd，JAX 可以求导轮回、分支、递归和闭包函数，而且它可以实行三阶求导。经过 grad，它支撑主动形式反向求导（反向传达）和正向求导，且两者可以任何次序恣意组合。

得力于 XLA，可以在 GPU 和 TPU 上编译和运转 NumPy 顺序。默许状况下，编译发作在底层，库挪用及时编译和履行。可是 JAX 还答应运用单一函数 API jit 将 Python 函数实时编译为 XLA 优化的内核。编译和主动求导可以恣意组合，因而可以在 Python 情况下完成庞杂的算法并取得最大的功能。

demo：

import jax.numpy as np
from jax import grad, jit, vmap
from functools import partial

def predict(params, inputs):
  for W, b in params:
    outputs = np.dot(inputs, W) + b
    inputs = np.tanh(outputs)
  return outputs

def logprob_fun(params, inputs, targets):
  preds = predict(params, inputs)
  return np.sum((preds - targets)**2)

grad_fun = jit(grad(logprob_fun))  # compiled gradient evaluation function
perex_grads = jit(vmap(grad_fun, in_axes=(None, 0, 0)))  # fast per-example grads

更深化地看，JAX 实践上是一个可扩大的可组合函数转换系统，grad 和 jit 都是这类转换的实例。

项目地址：https://github.com/谷歌/JAX

2KB项目（www.2kb.com，源码交易平台）,提供担保交易、源码交易、虚拟商品、在家创业、在线创业、任务交易、网站设计、软件设计、网络兼职、站长交易、域名交易、链接买卖、网站交易、广告买卖、站长培训、建站美工等服务