苹果版cuda来了！专为自家芯片打造，m3 max可跑每秒迭代2.8次|max|cuda|苹果公司|财务报表|财务会计|超级计算机-欧洲杯足彩官网

新智元报道

编辑：mindy

【新智元导读】苹果新发布适用于苹果芯片的机器学习框架mlx，mlx是一个类似于numpy的阵列框架，旨在为使用苹果硬件的研究人员简化 ml 模型的训练和部署。

一直以来，英伟达cuda称霸天下，使得它在ai领域的势力不可动摇。

对于许多人来说，都希望打破这个护城河，比如pytorch支持更多gpu，openai的triton等等。

近日，苹果针对使用苹果芯片的机器学习研究人员，专门发布了一款机器学习框架mlx。

苹果机器学习团队的awni hannun在x-note中将该软件称为：「……专为苹果芯片设计的高效机器学习框架」。

mlx使用起来类似pytorch、jax和arrayfire等现有框架。

但是，mlx针对apple芯片进行了优化。以前受困于艰难使用m芯片gpu跑模型的研究人员，现在终于可以摆脱这个苦恼了！

同时，mlx增加了对统一内存模型的支持，这也意味着阵列位于共享内存中，并且可以在任何支持的设备类型上执行操作，而无需执行数据复制。那么，一旦苹果的其他产品也能够开始跑模型……有没有很期待！

英伟达高级科学家jim fan表示，这可能是苹果公司迄今为止在开源人工智能方面的最大举措：

mlx特别之处

先让我们来看看mlx的速度：

一位网友对mlx的速度进行了测试，他在推文中表示，使用apple mlx框架进行计算的速度，m2 ultra（76个gpu）可达到每秒5次迭代（it/sec），而m3 max（40个gpu）可以达到每秒2.8次迭代。

这个速度是与pytorch几乎持平的。

mlx的另一大特点，像jim fan指出的那样，是它设计出色的api。

对深度学习领域的开发人员来说，上手几乎零成本。

这是因为mlx 的设计灵感来自于 pytorch、jax 和 arrayfire 等现有框架。

研究团队解释道：「python api 与 numpy 高度相似，只有少数例外。mlx 还拥有一个功能齐全的 c api，它与 python api 高度一致。」

研究团队对该设计的目的作了补充：「该框架旨在兼顾对用户操作友好，同时保持训练和部署模型的高效。我们的目标是使研究人员能够轻松扩展和改进 mlx，以便快速探索新的想法。」

除了可以轻松上手的api之外，mlx的一些其他关键特性还包括：

1. 可组合的函数变换：mlx含有用于自动微分、自动向量化和计算图优化的可组合函数变换，这对于优化和加速机器学习模型的训练过程非常有用。

2. 延迟计算：mlx支持延迟计算，数组只在需要时才会被实例化。

3. 动态图构建：mlx中的计算图是动态构建的。改变函数参数的形状不会触发缓慢的编译，调试也简单直观。这使得模型的开发和调试更加灵活和高效。

4. 多设备支持：操作可以在任何支持的设备上运行（目前支持cpu和gpu）。

5. 统一内存：mlx与其他框架的显著区别在于统一的内存模型。在mlx中，数组存在于共享内存中，对mlx数组的操作可以在任何支持的设备类型上执行，而无需移动数据。

mlx data

除了发布mlx以外，苹果机器学习团队还一起发表了mlx data。这是一个与mlx框架无关的数据加载库，可以与pytorch、jax或mlx一同使用。

mlx data可以用于加载大规模数据集，也可以独立用于数据预处理，以供机器学习训练使用。

该库的目标是允许用户利用多线程来加速数据处理流水线，而无需涉及复杂的多进程操作或使用符号语言编写代码。这有利于帮助提高数据加载和预处理的效率。

mlx示例展示

目前，用户可以通过pypi轻松安装mlx，只需执行以下命令：pip install mlx

用户需要确保满足以下安装要求：

- 使用m系列芯片（苹果芯片）

- 使用本地python版本不低于3.8

- macos版本需不低于13.3

研究团队同时提供了一系列有关 mlx 功能的示例，包括transformer语言模型训练、使用llama进行大规模文本生成、使用lora进行微调、使用稳定扩散生成图像，以及用openai的whisper进行语音识别等。

详情可见github：https://github.com/ml-explore/mlx-examples/tree/main。

这些例子也侧面证明了该公司在语言处理、图像生成和语音识别等方面的技术实力和工具的强大程度。

其他开发人员也对于mlx进行了其他有趣的尝试，比如一位来自塞浦路斯大学的教授，在使用pytorch和新的mlx框架的情况下，成功在apple m2 ultra gpu上解决了一个板上的二维热传导方程问题，其中包含两个dirichlet和两个neumann边界条件。

有趣的是，mlx的计算速度大约是之前的两倍，并且可以直接使用matplotlib进行绘图，无需转移到cpu。

从mlx一瞥苹果对于人工智能的展望

普惠机器学习

研究团队一再强调，「mlx是由机器学习研究人员为机器学习研究人员设计的。」 这表明苹果意识到为机器学习开发开放、易于使用的开发环境的需求，以促进该领域的进一步发展。

芯片技术

因为苹果的处理器现在存在于其所有产品中，包括mac、iphone和ipad。这种在这些芯片上使用gpu、cpu和（有可能在某个时刻）神经引擎的方法可能会转化为在设备上执行ml模型。其性能可能超过其他处理器，至少在边缘设备方面。

开发工具的重要性

苹果明确决定将重点放在为机器学习研究人员提供最佳工具上，包括强大的m3 mac，用于模型构建。现在，他们进一步希望将这种关注转化为对普通用户而言可行、以人为本的ai工具。

总体而言，苹果希望通过提供强大的工具和在不同设备上的性能优势，将机器学习和人工智能推向更广泛的用户。

这场ai产业的战争仅仅刚刚开始。

参考资料：

https://www.computerworld.com/article/3711408/apple-launches-mlx-machine-learning-framework-for-apple-silicon.html