趋近智
JAX 入门
章节 1: JAX 简介
JAX 是什么？
JAX 对比 NumPy
核心设计理念：函数变换
安装与设置
使用 JAX 数组
设备管理：CPU、GPU、TPU
动手练习：基本数组操作
章节 2: 通过 JIT 编译加速函数
速度提升：为何需要编译？
介绍
jax.jitJIT 工作原理：追踪与编译
Python 控制流与
jit静态值与跟踪值
jit 的常见问题动手实践：应用
jit章节 3: 使用
grad 进行自动微分理解梯度
介绍
jax.grad自动微分的工作方式：反向模式
关于参数求导
高阶导数（
grad的grad）值和梯度 (
jax.value_and_grad)求导与控制流
局限性与注意事项
动手实践：计算梯度
章节 4: 使用
vmap 实现自动向量化向量化的原理
介绍
jax.vmap对特定参数进行映射（
in_axes，out_axes）处理多个批处理参数
嵌套
vmap结合
vmap 与 jit 和 gradvmap的性能考量动手实践：函数向量化
章节 5: 使用
pmap 在多设备上并行计算数据并行 (SPMD) 介绍
介绍
jax.pmap将数据映射到设备 (
in_axes, out_axes)设备网格与轴名称
集体操作（
lax.psum、lax.pmean等）将
pmap 与其他变换结合使用调试
pmap 化的函数动手实践：并行计算
章节 6: JAX 中的状态管理
函数纯粹性与副作用
函数式代码中的状态挑战
模式：显式状态传递
使用 PyTree 管理分层状态
示例：有状态计数器
例子：简单的优化器状态
将状态管理与变换结合
实践：实现有状态函数
值和梯度 (jax.value_and_grad)
这部分内容有帮助吗？
jax.value_and_grad, JAX Core Developers, 2024 -jax.value_and_grad函数的官方文档，详细说明其用法和参数。- Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation, Andreas Griewank, Andrea Walther, 2008 (SIAM) DOI: 10.1137/1.9780898717765 - 一本关于自动微分的经典著作，涵盖了
jax.value_and_grad用于高效组合值和梯度计算的逆向模式 AD 等技术的理论基础。 - Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 第六章“深度前馈网络”和第八章“深度模型训练优化”解释了反向传播和基于梯度的优化，这是
jax.value_and_grad等函数用于获取损失和梯度的主要应用。