苹果推出开源机器学习框架： MLX
苹果发布开源机器学习框架：MLX' (Apple Releases Open Source Machine Learning Framework MLX)
在向机器学习领域的合作和创新迈出重要一步的同时，苹果推出了MLX，这是一个专门针对苹果芯片的机器学习开源框架。由苹果卓越的机器学习研究团队开发，MLX为研究人员提供了一种优化的体验，提高了模型训练和部署的效率。
熟悉的API和增强的模型构建
MLX引入了一个与NumPy密切对齐的Python API，确保开发人员的熟悉度。同时，其完整的C++ API与Python版本相互镜像，提供了一个多功能的开发环境。像mlx.nn和mlx.optimizers这样的高级包通过遵循PyTorch规范简化了模型构建过程。与已有的框架对齐使开发人员能够平稳过渡。
增强功能
MLX的一项突出功能是引入可组合的函数变换。这种创新的方法实现了自动微分、向量化和计算图优化。通过结合这些功能，MLX使开发人员能够高效地提升模型的能力。
- 马克斯·普朗克研究人员推出PoseGPT：一种使用大型语言模型（LLMs）来理解和推理图像或文本描述中的3D人体姿势的人工智能框架
- “一份关于为生产就绪的RAG应用程序进行的12种调优策略指南”
- Optimum-NVIDIA仅需一行代码即可解锁闪电般快速的LLM推理
通过延迟计算提高效率
效率是MLX设计的核心，计算被设计为延迟执行。在实际应用中，只有在必要时才会生成数组，优化了计算效率。这种方法不仅节省了资源，还有助于机器学习过程的整体速度和响应能力。
动态图构建和多设备支持
MLX采用动态图构建，消除了由于函数参数形状改变而触发的缓慢编译过程。这种动态方法简化了调试过程，增强了整体开发体验。此外，MLX支持在包括CPU和GPU在内的各种设备上进行无缝操作。这种灵活性为开发人员选择最适合其特定需求的设备提供了自由。
统一内存模型
与传统框架不同，MLX引入了一种统一的内存模型。MLX中的数组驻留在共享内存中，实现了跨不同设备类型的操作而无需数据移动。这种统一的方法提高了整体效率，使操作更加顺畅。
Also Read: 前苹果员工如何将生成式人工智能带到桌面
我们的观点
总之，苹果的开源标志着对机器学习社区的重要贡献。通过结合NumPy、PyTorch、Jax和ArrayFire等已有框架的最佳功能，MLX为开发人员提供了一个强大而灵活的平台。通过使用transformer语言模型训练、大规模文本生成、使用Stable Diffusion进行图像生成以及使用OpenAI的Whisper进行语音识别等示例展示了该框架的潜力，强调了其在各种应用中的潜在优势。
通过在PyPi上提供MLX并通过“pip install mlx”进行简单安装的过程，苹果进一步强调了其在机器学习领域促进可访问性和合作的承诺。随着开发人员探索这一潜力，机器学习在苹果芯片上的领域将迎来令人期待的进展。
