구글 JAX

Import 수 부터 잭스 수입품 눈금을 매기다 수입품 jax.numpy ~하듯이 jnp  # 로지스틱 함수의 정의 방어하다 로지스틱(x):       돌아가다 jnp.exp(x) / (jnp.exp(x) + 1)  # 로지스틱 함수의 그라데이션 함수를 구합니다. grad_module = 눈금을 매기다(로지스틱)  # x = 1에서 로지스틱 함수의 기울기를 평가합니다. grad_log_out = grad_module(1.0)    인쇄물(grad_log_out) 

Import 수 부터 잭스 수입품 점토 수입품 jax.numpy ~하듯이 jnp  # 큐브 함수를 정의합니다. 방어하다 입방체(x):     돌아가다 x * x * x  데이터 생성 수 x = jnp.하나((10000, 10000))  # 큐브 함수의 jit 버전을 만듭니다. 큐브 = 점토(입방체)  # 큐브와 jit_cube 함수를 동일한 데이터에 적용하여 속도를 비교합니다. 입방체(x) 큐브(x) 

Import 수 부터 기능하다 수입품 부분적인 부터 잭스 수입품 vmap 수입품 jax.numpy ~하듯이 jnp  # 함수를 정의합니다. 방어하다 그레이드(자신, 입력):     in_grad_filename(실행) = 부분적인(자신._net_grades, 자신._net_패럴)     grad_vmap = 잭스.vmap(in_grad_filename(실행))     리치_그레이드 = grad_vmap(입력)     평점 = np.배열(자신._filen_displays_displays(비활성화)(리치_그레이드))     주장하다 평점.하지 않다 == 2 그리고. 평점.모양.[0] == 입력.모양.[0]     돌아가다 평점 

# JAX에서 pmap 및 랜덤 Import, JAX NumPy Import 부터 잭스 수입품 pmap, 랜덤 수입품 jax.numpy ~하듯이 jnp  # 5000 x 6000 치수의 랜덤 매트릭스 2개 생성 (디바이스당 1개씩) 랜덤 키 = 랜덤.분열되다(랜덤.동작하고 있다(0), 2) 매트릭스 = pmap(람다 열쇠: 랜덤.보통의(열쇠, (5000, 6000)))(랜덤 키)  # 데이터 전송 없이 병렬로 각 CPU/GPU에서 로컬 매트릭스 곱셈 실행 출력 = pmap(람다 x: jnp.점(x, x.T))(매트릭스)  # 데이터 전송 없이 병렬로 각 CPU/GPU의 두 매트릭스에 대한 평균을 개별적으로 구합니다. 수단 = pmap(jnp.의미하다)(출력) 인쇄물(수단)