术语表

术语表#

数组#: JAX 中与 numpy.ndarray 对应的类型。请参阅 jax.Array。
CPU#: 中央处理器的缩写，CPU 是大多数计算机中可用的标准计算架构。JAX 可以在 CPU 上运行计算，但通常在 GPU 和 TPU 上可以获得更好的性能。
设备#: 用于指代 JAX 执行计算所使用的 CPU、GPU 或 TPU 的通用名称。
前向模式自动微分#: 请参阅 JVP
函数式编程#: 一种编程范式，其中程序通过应用和组合纯函数来定义。JAX 旨在与函数式程序一起使用。
GPU#: 图形处理器的缩写，GPU 最初专门用于屏幕图像渲染相关的操作，但现在已变得更加通用。JAX 能够以 GPU 为目标进行数组的快速操作（另请参阅 CPU 和 TPU）。
jaxpr#: JAX 表达式的缩写，jaxpr 是 JAX 生成的计算中间表示，并转发给 XLA 进行编译和执行。有关更多讨论和示例，请参阅JAX 内部机制：jaxpr 语言。
JIT#: 即时编译的缩写，JAX 中的 JIT 通常指将数组操作编译为 XLA，最常通过使用 jax.jit() 来实现。
JVP#: 雅可比向量积的缩写，有时也称为*前向模式*自动微分。有关更多详细信息，请参阅雅可比向量积（JVP，又称前向模式自动微分）。在 JAX 中，JVP 是一种通过 jax.jvp() 实现的转换。另请参阅 VJP。
原语#: 原语是 JAX 程序中使用的基本计算单元。jax.lax 中的大多数函数都代表单个原语。在 jaxpr 中表示计算时，jaxpr 中的每个操作都是一个原语。
纯函数#: 纯函数是其输出仅基于其输入且没有副作用的函数。JAX 的转换模型旨在与纯函数配合使用。另请参阅函数式编程。
pytree#: pytree 是一种抽象，它允许 JAX 以统一的方式处理元组、列表、字典以及其他更通用的数组值容器。有关更详细的讨论，请参阅使用 pytrees。
反向模式自动微分#: 请参阅 VJP。
SPMD#: 单程序多数据的缩写，它指的是一种并行计算技术，其中相同的计算（例如，神经网络的前向传播）在不同的输入数据（例如，批次中的不同输入）上，在不同的设备（例如，多个 TPU）上并行运行。jax.pmap() 是一个实现 SPMD 并行性的 JAX 转换。
静态#: 在 JIT 编译中，指未被追踪的值（请参阅 Tracer）。有时也指对静态值进行编译时计算。
TPU#: 张量处理单元的缩写，TPU 是专门为深度学习应用中 N 维张量的快速操作而设计的芯片。JAX 能够以 TPU 为目标进行数组的快速操作（另请参阅 CPU 和 GPU）。
Tracer#: 一个用作 JAX 数组的替代对象，用于确定 Python 函数执行的操作序列。在内部，JAX 通过 jax.core.Tracer 类实现此功能。
转换#: 一个高阶函数：即一个将函数作为输入并输出一个转换后函数的函数。JAX 中的示例包括 jax.jit()、jax.vmap() 和 jax.grad()。
VJP#: 向量雅可比积的缩写，有时也称为*反向模式*自动微分。有关更多详细信息，请参阅向量雅可比积（VJP，又称反向模式自动微分）。在 JAX 中，VJP 是一种通过 jax.vjp() 实现的转换。另请参阅 JVP。
XLA#: 加速线性代数的缩写，XLA 是一种用于线性代数操作的领域专用编译器，它是 JIT 编译的 JAX 代码的主要后端。请参阅 https://www.openxla.org/xla/。
弱类型#: 一种 JAX 数据类型，具有与 Python 标量相同的类型提升语义；请参阅JAX 中的弱类型值。