MLX - Framework array mirip NumPy untuk Apple Silicon

• Framework array buatan tim riset machine learning Apple, dirancang untuk menjalankan machine learning secara efisien dan fleksibel di Apple Silicon
• Menyediakan Python API yang hampir sama dengan NumPy, serta API C++ yang juga menawarkan semua fungsinya
• Perbedaan dengan NumPy
  • Composable function transformations: MLX memiliki transformasi fungsi yang dapat dikombinasikan untuk diferensiasi otomatis, vektorisasi otomatis, dan optimasi graph komputasi
  • Lazy Computation: komputasi di MLX bersifat lazy. Array hanya dimaterialisasi saat dibutuhkan
  • Multi-device: dapat menjalankan operasi di semua perangkat yang didukung (CPU, GPU, ...)
• Penyusunan graph dinamis: graph komputasi MLX dibangun secara dinamis. Mengubah shape argumen fungsi tidak memperlambat kecepatan kompilasi, dan debugging menjadi sederhana serta intuitif
• Terinspirasi dari framework seperti PyTorch, Jax, dan ArrayFire
  • Perbedaan paling menonjol antara framework tersebut dan MLX adalah Unified Memory Model
  • Array MLX disimpan di shared memory. Operasi pada array MLX dapat dilakukan di semua jenis perangkat yang didukung tanpa melakukan penyalinan data
  • Jenis perangkat yang saat ini didukung adalah CPU dan GPU
• Menyertakan berbagai contoh
  • Pelatihan model bahasa Transformer
  • Pembuatan teks skala besar dengan LLaMA dan fine-tuning dengan LoRA
  • Membuat gambar dengan Stable Diffusion
  • Pengenalan suara dengan OpenAI's Whisper

[mjhong0708]

Penyusunan grafik dinamis: grafik komputasi MLX dibangun secara dinamis. Meski bentuk argumen fungsi diubah, kecepatan kompilasi tidak melambat, dan debugging menjadi sederhana serta intuitif

Ini benar-benar terlihat bagus. Saya sering menangani data yang dinamis, jadi saat memakai JAX saya selalu kesulitan...

[haebom]

Oh, ini bagus. Saya akan mencobanya.