MLX的主要功能 1、熟悉的 API：MLX 有一个紧随 NumPy 的 Python API。MLX 还拥有功能齐全的 C++ API，与 Python API 非常相似。 2、可组合的函数转换：MLX 支持用于自动微分、自动向量化和计算图优化的可组合函数转换。 3、惰性计算：MLX 中的计算是惰性计算，数组仅在需要时才会具体化。 4、动态图构建：MLX 中的计算图是动态构建的。更改函数参数的形状不会触发缓慢的编译，并且调试简单直观。 5、多设备：可以在任何支持的设备（CPU 和 GPU）上运行。 6、统一内存：MLX 和其他框架的主要区别在于统一内存模型，阵列共享内存。MLX 上的操作可以在任何支持的设备类型上运行，无需移动数据。