前言

2015年，Google Brain开放了一个名为「TensorFlow」的研究项目，这款产品迅速流行并成为人工智能业界的主流深度学习框架，塑造了现代机器学习的生态系统。

7年后，Google的TensorFlow失去了开发者的拥护，因为这些开发者转向了Meta推出的另一款框架PyTorch。

在PyTorch的阴影下，Google正在悄悄地开发一个机器学习框架，那就是JAX，官方定义为CPU、GPU和TPU上的NumPy。它具有出色的自动微分（differentiation）功能，是可用于高性能机器学习研究的Python库。许多人将其视为TensorFlow的继承者。
今天小异带来一本新书，这是一本来自北大的天才00后少年程琪皓撰写的图书《JAX可微分编程》，绝对能够满足大家对于JAX的好奇心。

在这里插入图片描述

JAX到底是什么？

它可以被视为 GPU 和 TPU 上运行的NumPy

jax.numpy提供了与NumPy非常相似的API接口。
它与 NumPy API 非常相似

几乎任何可以用 NumPy 完成的事情都可以用 jax.numpy 完成。
它与主程序分离但可以被主程序调用

由于使用XLA(一种加速线性代数计算的编译器)将Python和JAX代码JIT编译成优化的内核，因此可以在不同设备(例如，GPU和TPU)上运行。而优化的内核是为高吞吐量设备(例如，GPU和TPU)进行编译的，它与主程序分离但可以被主程序调用。JIT编译可以用jax.jit()触发。
它对自动微分有很好的支持

对机器学习研究很有用，可以使用 jax.grad() 触发自动微分。
JAX提供了一些在编写数字处理时非常有用的程序转换

例如，JIT.JAX()用于JIT编译和加速代码，JIT .grad()用于求导， JIT .vmap()用于自动向量化或批处理。
JAX可以进行异步调度

所以需要调用 .block_until_ready() 以确保计算已经实际发生。
我们都清楚JAX是一款能比肩TensorFlow和PyTorch的深度学习框架，但我想大家可能对JAX在科学计算领域的应用还不甚了解。需要知道的是，科学计算涵盖的领域可比深度学习领域要广泛。
当前，除了人工智能，JAX还在流体力学、大气科学、控制系统、贝叶斯方法和科学仿真等诸多领域得到了广泛应用。
《JAX可微分编程》侧重于JAX在科学计算领域中的应用，以Google开发的JAX开源框架为载体，详细介绍了JAX在可微分编程领域的应用，具体包括自动微分的基本原理、数据结构，以及自动微分在实际场景中的应用，本书涉及的领域包括但不限于算法优化、神经网络、工程建模、量子计算等。

书籍内容介绍

第一部分：可微分编程的基本框架（第1-2章）

作者在分别阅读了SymPy、Torch及JAX库数万行相关部分的源码之后，尝试从零开始，分别用百余行代码，对符号微分、自动微分的前向模式，以及自动微分的反向模式这三种数据结构进行了简单的实现。

第二部分：JAX库的特性介绍（第3-6章）

围绕JAX库展开对深度学习、λ演算、并行计算等领域的介绍。作为Google开发的高性能数值计算和自动微分库，JAX提供了自动微分、即时编译与矢量并行化这三大功能，并提供了与NumPy极为相似的调用接口。

第三部分：实际场景下的自动微分（第7-10章）

除了优化算法、循环神经网络等自动微分传统的使用场景，还对工程建模中的数值模拟、计算神经科学等方向进行了较为详细的介绍。还加入了对量子计算中的自动微分的介绍，具有独特的时代特征。
在这里插入图片描述
无论你是需要用到自动微分技术的工程技术人员或高校科研人员，还是只是对JAX框架感兴趣并想要一探究竟的AI从业人员，都可以通过学习这本《JAX可微分编程》掌握JAX强大的科学计算功能。

包邮送书5本

抽奖送书老规矩（不点赞收藏中奖无效）：注意记得关注博主不然中奖了还不知道！！！

1. 点赞收藏文章
2. 评论区留言：人生苦短，我用Python！！！（留言才能进入奖池，每人最多留言三条）
3. 周六八点爬虫抽奖5人
如果不想抽奖京东自营购买链接：https://item.m.jd.com/product/13973124.html?utm_campaign=t_1001328990