これが何を意味するのかは聞かないでください。でも、Macユーザーの中には興味を持つ人もいるかもしれません。AppleはMLXをリリースしました。「Appleの機械学習研究チームが開発した、Apple Silicon上で機械学習を行うための配列フレームワーク」です。

このストーリーは、Apple統合プラットフォームであるMosyleによって支えられています。Mosyleは、5つの異なるアプリケーションを単一のApple専用プラットフォームに完全に統合する唯一のソリューションであり、企業や学校はすべてのAppleデバイスを簡単かつ自動的に導入、管理、保護できます。38,000以上の組織がMosyleソリューションを活用し、毎日数百万台ものAppleデバイスの導入、管理、セキュリティを自動化しています。今すぐ無料アカウントを申請して、信じられないほど低価格でAppleデバイスを自動操縦する方法をご確認ください。

以下はドキュメントからの説明です:

MLXは、機械学習研究者によって、機械学習研究者のために設計されています。このフレームワークは、ユーザーフレンドリーでありながら、モデルの学習とデプロイを効率的に行えるように設計されています。フレームワーク自体の設計も概念的にシンプルです。研究者がMLXを容易に拡張・改良し、新しいアイデアを迅速に探求できるようにすることを目指しています。

また、MLX の主な機能についてもいくつか紹介します。

• 使い慣れたAPImlx.nn ：MLXには、NumPyに忠実なPython APIが搭載されています。また、MLXにはPython APIを忠実に再現したフル機能のC++ APIも搭載されています。MLXには、PyTorchに忠実なAPIを備えた 、や などの高レベルパッケージが用意されており、 mlx.optimizers より複雑なモデルの構築を簡素化します。
• 構成可能な関数変換: MLX には、自動微分、自動ベクトル化、計算グラフの最適化のための構成可能な関数変換があります。
• 遅延計算: MLX の計算は遅延されます。配列は必要な場合にのみ実体化されます。
• 動的なグラフ構築：MLXの計算グラフは動的に構築されます。関数の引数の形状を変更してもコンパイル速度が遅くなることはなく、デバッグもシンプルで直感的です。
• マルチデバイス: 操作は、サポートされている任意のデバイス (現在は CPU と GPU) で実行できます。
• 統合メモリ：MLXや他のフレームワークとの顕著な違いは、 統合メモリモデルです。MLXの配列は共有メモリ上に存在します。MLX配列に対する操作は、サポートされているあらゆるデバイスタイプで、データを移動することなく実行できます。

さて、実際に何について話しているのかを知っている人からのスレッドです。

楽しむ！

craticou.com を Google ニュース フィードに追加します。