ml-explore/mlx

# MLX [**快速开始**](#quickstart) | [**安装**](#installation) | [**文档**](https://ml-explore.github.io/mlx/build/html/index.html) | [**示例**](#examples) [](https://circleci.com/gh/ml-explore/mlx) MLX 是一个用于 Apple silicon 上机器学习的数组框架，由 Apple 机器学习研究团队提供。 MLX 的一些主要功能包括： - **熟悉的 API**：MLX 拥有紧随 NumPy 的 Python API。MLX 还拥有功能齐全的 C++、[C](https://github.com/ml-explore/mlx-c) 和 [Swift](https://github.com/ml-explore/mlx-swift/) API，这些 API 与 Python API 高度一致。MLX 拥有像 `mlx.nn` 和 `mlx.optimizers` 这样的高级包，其 API 紧随 PyTorch，以简化构建更复杂的模型。 - **可组合的函数变换**：MLX 支持用于自动微分、自动向量化和计算图优化的可组合函数变换。 - **惰性计算**：MLX 中的计算是惰性的。数组仅在需要时才被实例化。 - **动态图构建**：MLX 中的计算图是动态构建的。更改函数参数的形状不会触发缓慢的编译，并且调试简单直观。 - **多设备**：操作可以在任何支持的设备（目前是 CPU 和 GPU）上运行。 - **统一内存**：MLX 与其他框架的一个显著区别是*统一内存模型*。MLX 中的数组位于共享内存中。对 MLX 数组的操作可以在任何支持的设备类型上执行，而无需传输数据。 MLX 由机器学习研究人员为机器学习研究人员设计。该框架旨在用户友好，但在训练和部署模型方面仍然高效。框架本身的设计在概念上也很简单。我们旨在让研究人员能够轻松扩展和改进 MLX，目标是快速探索新想法。 MLX 的设计受到 [NumPy](https://numpy.org/doc/stable/index.html)、[PyTorch](https://pytorch.org/)、[Jax](https://github.com/google/jax) 和 [ArrayFire](https://arrayfire.org/) 等框架的启发。 ## 示例 [MLX 示例仓库](https://github.com/ml-explore/mlx-examples) 包含多种示例，包括： - [Transformer 语言模型](https://github.com/ml-explore/mlx-examples/tree/main/transformer_lm) 训练。 - 使用 [LLaMA](https://github.com/ml-explore/mlx-examples/tree/main/llms/llama) 进行大规模文本生成以及使用 [LoRA](https://github.com/ml-explore/mlx-examples/tree/main/lora) 进行微调。 - 使用 [Stable Diffusion](https://github.com/ml-explore/mlx-examples/tree/main/stable_diffusion) 生成图像。 - 使用 [OpenAI 的 Whisper](https://github.com/ml-explore/mlx-examples/tree/main/whisper) 进行语音识别。 ## 快速开始 请参阅文档中的[快速开始指南](https://ml-explore.github.io/mlx/build/html/usage/quick_start.html)。 ## 安装 MLX 可在 [PyPI](https://pypi.org/project/mlx/) 上获取。要在 macOS 上安装 MLX，请运行： ``` pip install mlx ``` 要在 Linux 上安装 CUDA 后端，请运行： ``` pip install mlx[cuda] ``` 要安装仅限 CPU 的 Linux 包，请运行： ``` pip install mlx[cpu] ``` 请查看[文档](https://ml-explore.github.io/mlx/build/html/install.html#)以获取有关从源代码构建 C++ 和 Python API 的更多信息。 ## 引用 MLX MLX 软件套件最初由 Awni Hannun、Jagrit Digani、Angelos Katharopoulos 和 Ronan Collobert 共同贡献开发。如果您发现 MLX 在您的研究中有用并希望引用它，请使用以下 BibTex 条目： ``` @software{mlx2023, author = {Awni Hannun and Jagrit Digani and Angelos Katharopoulos and Ronan Collobert}, title = {{MLX}: Efficient and flexible machine learning on Apple silicon}, url = {https://github.com/ml-explore}, version = {0.0}, year = {2023}, } ```

标签：AI基础设施, Apex, Apple Silicon, Apple机器学习, autograd, C++, iOS, MacOS, Metal, MLX, M系列芯片, NumPy替代, Python, PyTorch风格, Swift, Vectored Exception Handling, 动态图, 张量计算, 懒执行, 数据擦除, 数组框架, 无后门, 本地大模型, 机器学习, 深度学习, 神经 网络, 统一内存, 自动微分, 逆向工具