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。