13.6 C
New York
samedi, novembre 2, 2024

Buy now

spot_img

Apple abandonne le nouveau cadre d’apprentissage automatique MLX pour les Mac Apple Silicon

Ne me demandez pas ce que tout cela signifie, mais cela pourrait intéresser certains d’entre vous, vrais utilisateurs de Mac. Apple a publié MLX, « un framework de matrice pour l’apprentissage automatique sur silicium Apple, présenté par la recherche Apple en matière d’apprentissage automatique ».

Cette histoire est soutenue par Mosylela seule plateforme unifiée Apple. Mosyle est la seule solution qui intègre entièrement cinq applications différentes sur une seule plate-forme Apple uniquement, permettant aux entreprises et aux écoles de déployer, gérer et protéger facilement et automatiquement tous leurs appareils Apple. Plus de 38 000 organisations exploiter les solutions Mosyle pour automatiser quotidiennement le déploiement, la gestion et la sécurité de millions d’appareils Apple. Demandez un compte GRATUIT dès aujourd’hui et découvrez comment vous pouvez mettre votre flotte Apple en pilote automatique à un prix difficile à croire.

Voici une description tirée de la documentation :

MLX est conçu par des chercheurs en apprentissage automatique pour des chercheurs en apprentissage automatique. Le framework se veut convivial, mais toujours efficace pour former et déployer des modèles. La conception du cadre lui-même est également simple sur le plan conceptuel. Nous avons l’intention de permettre aux chercheurs d’étendre et d’améliorer facilement MLX dans le but d’explorer rapidement de nouvelles idées.

Ils mettent également en évidence certaines fonctionnalités clés de MLX :

  • API familières: MLX dispose d’une API Python qui suit de près NumPy. MLX dispose également d’une API C++ complète, qui reflète étroitement l’API Python. MLX propose des packages de niveau supérieur comme mlx.nn et mlx.optimizers avec des API qui suivent de près PyTorch pour simplifier la création de modèles plus complexes.
  • Transformations de fonctions composables: MLX propose des transformations de fonctions composables pour la différenciation automatique, la vectorisation automatique et l’optimisation des graphiques de calcul.
  • Calcul paresseux: Les calculs dans MLX sont paresseux. Les tableaux ne sont matérialisés qu’en cas de besoin.
  • Construction de graphiques dynamiques: Les graphiques de calcul dans MLX sont construits dynamiquement. Changer la forme des arguments de fonction ne déclenche pas de compilations lentes et le débogage est simple et intuitif.
  • Multi-appareil: les opérations peuvent s’exécuter sur n’importe lequel des appareils pris en charge (actuellement, le CPU et le GPU).
  • Mémoire unifiée: Une différence notable par rapport à MLX et aux autres frameworks est le modèle de mémoire unifiée. Les tableaux dans MLX vivent dans la mémoire partagée. Les opérations sur les baies MLX peuvent être effectuées sur n’importe quel type de périphérique pris en charge sans déplacer de données.

Maintenant, un fil de discussion de quelqu’un qui sait réellement de quoi il parle :

Apprécier!

FTC : Nous utilisons des liens d’affiliation automatique générateurs de revenus. Plus.


Marion Legrand
Marion Legrandhttp://soon.fr
Marion a été éditeur en chef pour SOON. elle a précédemment créé des stratégies de marketing de contenu et des textes convaincants pour diverses entreprises de technologie et de commerce électronique. Elle a cofondé deux jeux de rôle fantastiques en direct qui ont offert des expériences immersives et interactives pendant près de 10 ans.

Related Articles

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici

Stay Connected

0FansJ'aime
3,912SuiveursSuivre
0AbonnésS'abonner
- Advertisement -spot_img

Latest Articles