蘋果新發(fā)布適用于蘋果芯片的機器學習框架 MLX，MLX 是一個類似于 NumPy 的陣列框架，旨在為使用蘋果硬件的研究人員簡化 ML 模型的訓練和部署。

　　一直以來，英偉達 CUDA 稱霸天下，使得它在 AI 領(lǐng)域的勢力不可動搖。

　　對于許多人來說，都希望打破這個護城河，比如 PyTorch 支持更多 GPU，OpenAI 的 Triton 等等。

　　近日，蘋果針對使用蘋果芯片的機器學習研究人員，專門發(fā)布了一款機器學習框架 MLX。

　　蘋果機器學習團隊的 Awni Hannun 在X-note 中將該軟件稱為：「……專為蘋果芯片設(shè)計的高效機器學習框架」。

　　MLX 使用起來類似 PyTorch、Jax 和 ArrayFire 等現(xiàn)有框架。

　　但是，MLX 針對 Apple 芯片進行了優(yōu)化。以前受困于艱難使用M芯片 GPU 跑模型的研究人員，現(xiàn)在終于可以擺脫這個苦惱了!

　　同時，MLX 增加了對統(tǒng)一內(nèi)存模型的支持，這也意味著陣列位于共享內(nèi)存中，并且可以在任何支持的設(shè)備類型上執(zhí)行操作，而無需執(zhí)行數(shù)據(jù)復制。那么，一旦蘋果的其他產(chǎn)品也能夠開始跑模型……有沒有很期待!

　　英偉達高級科學家 Jim Fan 表示，這可能是蘋果公司迄今為止在開源人工智能方面的最大舉措：

　　MLX 特別之處

　　先讓我們來看看 MLX 的速度：

　　一位網(wǎng)友對 MLX 的速度進行了測試，他在推文中表示，使用 Apple MLX 框架進行計算的速度，M2 Ultra(76 個 GPU)可達到每秒 5 次迭代(It/sec)，而 M3 Max(40 個 GPU)可以達到每秒 2.8 次迭代。

　　這個速度是與 Pytorch 幾乎持平的。

　　MLX 的另一大特點，像 Jim Fan 指出的那樣，是它設(shè)計出色的 API。

　　對深度學習領(lǐng)域的開發(fā)人員來說，上手幾乎零成本。

　　這是因為 MLX 的設(shè)計靈感來自于 PyTorch、Jax 和 ArrayFire 等現(xiàn)有框架。

　　研究團隊解釋道：「Python API 與 NumPy 高度相似，只有少數(shù)例外。MLX 還擁有一個功能齊全的 C++ API，它與 Python API 高度一致?！?/p>

　　研究團隊對該設(shè)計的目的作了補充：「該框架旨在兼顧對用戶操作友好，同時保持訓練和部署模型的高效。我們的目標是使研究人員能夠輕松擴展和改進 MLX，以便快速探索新的想法?！?/p>

　　除了可以輕松上手的 API 之外，MLX 的一些其他關(guān)鍵特性還包括：

　　可組合的函數(shù)變換：MLX 含有用于自動微分、自動向量化和計算圖優(yōu)化的可組合函數(shù)變換，這對于優(yōu)化和加速機器學習模型的訓練過程非常有用。

　　延遲計算：MLX 支持延遲計算，數(shù)組只在需要時才會被實例化。

　　動態(tài)圖構(gòu)建：MLX 中的計算圖是動態(tài)構(gòu)建的。改變函數(shù)參數(shù)的形狀不會觸發(fā)緩慢的編譯，調(diào)試也簡單直觀。這使得模型的開發(fā)和調(diào)試更加靈活和高效。

　　多設(shè)備支持：操作可以在任何支持的設(shè)備上運行(目前支持 CPU 和 GPU)。

　　統(tǒng)一內(nèi)存：MLX 與其他框架的顯著區(qū)別在于統(tǒng)一的內(nèi)存模型。在 MLX 中，數(shù)組存在于共享內(nèi)存中，對 MLX 數(shù)組的操作可以在任何支持的設(shè)備類型上執(zhí)行，而無需移動數(shù)據(jù)。

　　MLX Data

　　除了發(fā)布 MLX 以外，蘋果機器學習團隊還一起發(fā)表了 MLX Data。這是一個與 MLX 框架無關(guān)的數(shù)據(jù)加載庫，可以與 PyTorch、Jax 或 MLX 一同使用。

　　MLX Data 可以用于加載大規(guī)模數(shù)據(jù)集，也可以獨立用于數(shù)據(jù)預處理，以供機器學習訓練使用。

　　該庫的目標是允許用戶利用多線程來加速數(shù)據(jù)處理流水線，而無需涉及復雜的多進程操作或使用符號語言編寫代碼。這有利于幫助提高數(shù)據(jù)加載和預處理的效率。

　　MLX 示例展示

　　目前，用戶可以通過 PyPI 輕松安裝 MLX，只需執(zhí)行以下命令：pip install mlx

　　用戶需要確保滿足以下安裝要求：

　　- 使用M系列芯片(蘋果芯片)

　　- 使用本地 Python 版本不低于 3.8

　　- MacOS 版本需不低于 13.3

　　研究團隊同時提供了一系列有關(guān) MLX 功能的示例，包括 Transformer 語言模型訓練、使用 LLaMA 進行大規(guī)模文本生成、使用 LoRA 進行微調(diào)、使用穩(wěn)定擴散生成圖像，以及用 OpenAI 的 Whisper 進行語音識別等。

　　這些例子也側(cè)面證明了該公司在語言處理、圖像生成和語音識別等方面的技術(shù)實力和工具的強大程度。

　　其他開發(fā)人員也對于 MLX 進行了其他有趣的嘗試，比如一位來自塞浦路斯大學的教授，在使用 PyTorch 和新的 MLX 框架的情況下，成功在 Apple M2 Ultra GPU 上解決了一個板上的二維熱傳導方程問題，其中包含兩個 Dirichlet 和兩個 Neumann 邊界條件。

　　有趣的是，MLX 的計算速度大約是之前的兩倍，并且可以直接使用 Matplotlib 進行繪圖，無需轉(zhuǎn)移到 CPU。

　　從 MLX 一瞥蘋果對于人工智能的展望

　　普惠機器學習

　　研究團隊一再強調(diào)，「MLX 是由機器學習研究人員為機器學習研究人員設(shè)計的。」 這表明蘋果意識到為機器學習開發(fā)開放、易于使用的開發(fā)環(huán)境的需求，以促進該領(lǐng)域的進一步發(fā)展。

　　芯片技術(shù)

　　因為蘋果的處理器現(xiàn)在存在于其所有產(chǎn)品中，包括 Mac、iPhone 和 iPad。這種在這些芯片上使用 GPU、CPU 和(有可能在某個時刻)神經(jīng)引擎的方法可能會轉(zhuǎn)化為在設(shè)備上執(zhí)行 ML 模型。其性能可能超過其他處理器，至少在邊緣設(shè)備方面。

　　開發(fā)工具的重要性

　　蘋果明確決定將重點放在為機器學習研究人員提供最佳工具上，包括強大的 M3 Mac，用于模型構(gòu)建?，F(xiàn)在，他們進一步希望將這種關(guān)注轉(zhuǎn)化為對普通用戶而言可行、以人為本的 AI 工具。

　　總體而言，蘋果希望通過提供強大的工具和在不同設(shè)備上的性能優(yōu)勢，將機器學習和人工智能推向更廣泛的用戶。