Apple представляет открытый фреймворк машинного обучения MLX

Apple представляет MLX – открытый фреймворк машинного обучения

В значительном продвижении к сотрудничеству и инновациям в области машинного обучения Apple представила MLX – свободно распространяемый массив фреймворк, специально разработанный для машинного обучения на аппаратной платформе Apple Silicon. Разработанный знаменитой командой исследователей машинного обучения Apple, MLX обещает улучшенный опыт для исследователей, повышающий эффективность обучения и развертывания моделей.

Знакомые API и улучшенное создание моделей

MLX вводит API на Python, тесно соответствующий NumPy, обеспечивая знакомую среду разработки. В то же время, его полнофункциональный API на C++ отражает версию на Python, предоставляя универсальную среду разработки. Пакеты более высокого уровня, такие как mlx.nn и mlx.optimizers, упрощают создание моделей, следуя соглашениям PyTorch. Это согласование с установленными фреймворками облегчает плавный переход для разработчиков.

Расширенные функциональные возможности

Одна из выдающихся особенностей MLX – это введение композируемых преобразований функций. Этот инновационный подход позволяет автоматическое дифференцирование, векторизацию и оптимизацию графиков вычислений. Интегрируя эти функциональные возможности, MLX позволяет разработчикам эффективно расширять возможности своих моделей.

Эффективность благодаря ленивым вычислениям

Эффективность является основой дизайна MLX, при этом вычисления проектировались с учетом ленивости. На практике массивы создаются только в тех случаях, когда это необходимо, что оптимизирует вычислительную эффективность. Такой подход не только экономит ресурсы, но и способствует общей скорости и отзывчивости процессов машинного обучения.

Динамическое построение графиков и поддержка множества устройств

MLX использует динамическое построение графиков, устраняя медленные компиляции, вызванные изменениями форм аргументов функции. Такой динамический подход упрощает процесс отладки, улучшая общий опыт разработки. Более того, MLX поддерживает плавные операции на различных устройствах, включая ЦП и ГПУ. Эта гибкость дает разработчикам свободу выбора наиболее подходящего устройства для конкретных требований.

Унифицированная модель памяти

В отличие от традиционных фреймворков, MLX представляет унифицированную модель памяти. Массивы внутри MLX находятся в общей памяти, что позволяет выполнять операции на разных типах устройств без перемещения данных. Такой унифицированный подход улучшает общую эффективность, обеспечивая более плавные и безупречные операции.

Также читайте: Как бывшие сотрудники Apple переносят генеративное ИИ на настольные компьютеры

Наше мнение

В заключение, открытие исходного кода Apple является значительным вкладом в сообщество машинного обучения. Сочетая лучшие характеристики установленных фреймворков, таких как NumPy, PyTorch, Jax и ArrayFire, MLX предлагает надежную и гибкую платформу для разработчиков. Возможности фреймворка, как показано в примерах, таких как обучение моделей языка трансформера, генерация текста в больших масштабах, генерация изображений с использованием Stable Diffusion и распознавание речи с использованием Whisper от OpenAI, подчеркивают его потенциал для различных приложений.

Наличие MLX на PyPi и простой процесс установки через “pip install mlx” еще раз подчеркивают приверженность Apple поощрять доступность и сотрудничество в области машинного обучения. В процессе изучения этого потенциала, область машинного обучения на аппаратной платформе Apple Silicon готовится к захватывающим достижениям.