相信大家对numpy, Tensorflow, Pytorch已经极其熟悉，不过，你知道JAX吗？ JAX发布之后，有网友进行了测试，发现，使用JAX，Numpy运算可以快三十多倍！
下面是使用Numpy的运行情况：
import numpy as np # 使用标准numpy，运算将在CPU上执行。 x = np.random.random([5000, 5000]).astype(np.float32) %timeit np.matmul(x, x)
运行结果：
1 loop, best of 3: 3.9 s per loop 而下面是使用JAX的Numpy的情况： import jax.numpy as np # 使用"JAX版"的numpy from jax import random # 注意JAX下随机数API有所不同 x = random.uniform(random.PRNGKey(0), [5000, 5000]) %timeit np.matmul(x, x)
运行情况：
1 loop, best of 3: 109 ms per loop
我们可以发现，使用原始numpy，运行时间大概为3.9s，而使用JAX的numpy，运行时间仅仅只有0.109s，速度上直接提升了三十多倍！
是不是很神奇？ 那JAX到底是什么？
小编我就不卖关子了：
JAX是谷歌开源的、可以在CPU、GPU和TPU上运行的numpy，是针对机器学习研究的高性能自微分计算框架。
简单来说，就是GPU和TPU加速、支持自动微分(autodiff)的numpy。
快速入门链接：https://jax.readthedocs.io/en/latest/notebooks/quickstart.html
我们都知道，numpy是Python下的基础数值运算库，应用非常广泛，如果要用Python进行科学计算或者机器学习，没人能够离得了它。
但是，numpy并不支持GPU或者其他硬件加速器，也缺少对backpropagation的内置支持，此外，Python自身也有速度限制，
因此，在生产环境下使用numpy训练或者部署深度学习模型的人很少。 不过numpy也有它独特的魅力：底层、灵活、调试方便、API稳定且为大家所熟悉，从而深受研究者的喜爱。
而JAX的主要出发点就是将numpy的以上优势与硬件加速结合，与依赖于预编译核和快速C++代码的Pytorch相比，JAX可以让我们能够在高级接口使用自己最喜欢的加速器进行编写。 在最高层，JAX结合了XLA&Autograd，来加速用户开发的基于线性代数的项目。
Github项目地址：https://github.com/google/jax
此外，入门JAX的过程非常自然简单——许多人每天都在处理numpy的语法和规定，而JAX则大大减少了用户的这些烦恼。
目前，JAX支持在Linux (Ubuntu 16.04或更高版本)和macOS(10.12或更高版本)平台上安装或构建，Windows用户可以通过Windows的Linux子系统在CPU和GPU上使用JAX。
参考链接：
https://roberttlange.github.io/posts/2021/02/cma-es-jax/
https://roberttlange.github.io/posts/2020/03/blog-post-10/
https://jax.readthedocs.io/en/latest/notebooks/quickstart.html
