春分

春分是你的单一 JAX 库，提供核心 JAX 中没有的一切：

神经网络（或更广泛的任何模型），使用简便的类似 PyTorch 的语法；
变换的过滤 API；
有用的 PyTree 操作例程；
高级功能如运行时错误；

最重要的是，春分不是一个框架：你在春分中编写的一切都兼容 JAX 或其生态系统中的其他内容。

如果你完全不熟悉 JAX，请从这个 CNN on MNIST 示例开始。

从 Flax 或 Haiku 转过来？主要区别在于春分 (a) 提供了许多这些库中没有的高级功能，例如 PyTree 操作或运行时错误；(b) 拥有更简单的模型构建方式：它们只是 PyTrees，所以它们可以顺利地通过 JIT/grad/etc. 边界。

安装

pip install equinox

需要 Python 3.9+ 和 JAX 0.4.13+。

文档

可在 https://docs.kidger.site/equinox 获取。

快速示例

使用类似 PyTorch 的语法定义模型：

import equinox as eqx
import jax

class Linear(eqx.Module):
    weight: jax.Array
    bias: jax.Array

    def __init__(self, in_size, out_size, key):
        wkey, bkey = jax.random.split(key)
        self.weight = jax.random.normal(wkey, (out_size, in_size))
        self.bias = jax.random.normal(bkey, (out_size,))

    def __call__(self, x):
        return self.weight @ x + self.bias

并与普通 JAX 操作完全兼容：

@jax.jit
@jax.grad
def loss_fn(model, x, y):
    pred_y = jax.vmap(model)(x)
    return jax.numpy.mean((y - pred_y) ** 2)

batch_size, in_size, out_size = 32, 2, 3
model = Linear(in_size, out_size, key=jax.random.PRNGKey(0))
x = jax.numpy.zeros((batch_size, in_size))
y = jax.numpy.zeros((batch_size, out_size))
grads = loss_fn(model, x, y)

最后，背后没有任何魔法。所有 eqx.Module 做的就是将你的类注册为一个 PyTree。从那时起，JAX 已经知道如何处理 PyTrees。

引用

如果你发现在学术工作中有用，请引用: (arXiv 链接)

@article{kidger2021equinox,
    author={Patrick Kidger and Cristian Garcia},
    title={{E}quinox: neural networks in {JAX} via callable {P}y{T}rees and filtered transformations},
    year={2021},
    journal={Differentiable Programming workshop at Neural Information Processing Systems 2021}
}

（也请考虑在 GitHub 上给项目加星。）

另见：JAX 生态系统中的其他库

总是有用
jaxtyping: 数组形状/类型的注解。

深度学习
Optax: 一阶梯度（SGD、Adam 等）优化器。
Orbax: 检查点（异步/多主机/多设备）。
Levanter：基础模型（例如 LLMs）的可扩展且可靠的训练。

科学计算
Diffrax：数值微分方程求解器。
Optimistix：根查找、最小化、定点和最小二乘。
Lineax：线性求解器。
BlackJAX: 概率+贝叶斯采样。
sympy2jax: SymPy<->JAX 转换；通过梯度下降训练符号表达式。
PySR: 符号回归。（非 JAX 值得提及的项目！）

Awesome JAX
[Awesome JAX](https://github.com/n2cholas/awesome-jax）：更多 JAX 项目列表。