所有课程

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

第 1 章测验

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.jit

JIT 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

第 2 章测验

章节 3: 使用 grad 进行自动微分

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

第 3 章测验

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

结合 vmap 与 jit 和 grad

vmap的性能考量

动手实践：函数向量化

第 4 章测验

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

第 5 章测验

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

第 6 章测验

理解梯度

这部分内容有帮助吗？

参考文献

Calculus: Early Transcendentals, James Stewart, 2015 (Cengage Learning) - 全面介绍了单变量和多变量微积分，包括导数、偏导数和梯度向量。
Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, 2016 (MIT Press) - 描述了梯度下降作为训练机器学习模型的优化算法。
Evaluating Derivatives: Principles and Techniques of Algorithmic Differentiation, Andreas Griewank, Andrea Walther, 2008 (SIAM) DOI: 10.1137/1.9780898717761 - 自动微分领域的标准著作，涵盖了其理论基础和实现，包括前向模式和反向模式。
API Documentation: jax.grad, JAX core contributors, 2024 - JAX grad函数的官方文档，包含实际使用示例和其应用的详细信息。

© 2025 ApX Machine Learning用心打造