JAXopt

状态 | 安装 | 文档 | 示例 | 引用我们

基于 JAX 的硬件加速、可批量化且可微分的 optimizers（优化器）。

• 硬件加速： 我们的实现不仅可以在 CPU（中央处理器）上运行，还可以在 GPU（图形处理器）和 TPU（张量处理单元）上运行。
• 可批量化： 使用 JAX 的 vmap（向量化映射）可以自动对同一优化问题的多个实例进行向量化处理。
• 可微分： 优化问题的解可以针对其输入进行微分，既可以通过隐式微分（implicit differentiation）方式，也可以通过展开算法迭代后的自动微分（autodiff）实现。

状态

JAXopt 已不再维护或开发。替代方案可在 JAX 网站 上找到。其部分功能（如 losses（损失函数）、projections（投影）、lbfgs optimizer（L-BFGS 优化器））已移植到 optax。我们衷心感谢该项目多年来获得的所有社区贡献。

安装

要安装最新版本的 JAXopt，请使用以下命令：

$ pip install jaxopt

要安装 开发 版本，请改用以下命令：

$ pip install git+https://github.com/google/jaxopt

或者，可以使用以下命令从源代码安装：

$ python setup.py install

引用我们

我们的隐式微分（implicit differentiation）框架在此 论文 中进行了描述。引用格式如下：

@article{jaxopt_implicit_diff,
  title={Efficient and Modular Implicit Differentiation},
  author={Blondel, Mathieu and Berthet, Quentin and Cuturi, Marco and Frostig, Roy 
    and Hoyer, Stephan and Llinares-L{\'o}pez, Felipe and Pedregosa, Fabian 
    and Vert, Jean-Philippe},
  journal={arXiv preprint arXiv:2105.15183},
  year={2021}
}

免责声明

JAXopt 曾是一个由 Google Research 专门团队维护的开源项目。它不是 Google 的官方产品。

JAXopt 快速上手指南

⚠️ 重要提示：项目已停止维护

根据官方说明，JAXopt 已不再维护或开发。部分功能（如 losses, projections, lbfgs optimizer）已迁移至 Optax。建议新项目优先考虑使用 JAX 官方推荐的替代方案。

环境准备

• 系统要求：支持 CPU、GPU 或 TPU 环境。
• 前置依赖：
  • Python
  • JAX（硬件加速基础库）

安装步骤

建议使用国内 PyPI 镜像源以加速下载。

安装最新稳定版：

$ pip install jaxopt -i https://pypi.tuna.tsinghua.edu.cn/simple

安装开发版：

$ pip install git+https://github.com/google/jaxopt

从源码安装：

$ python setup.py install

基本使用

JAXopt 提供了可硬件加速、可批量化且可微分的优化器。以下是最基础的导入示例：

from jaxopt import GradientDescent

# 具体用法请参考官方 examples 目录
# https://github.com/google/jaxopt/tree/main/examples

注意：由于项目已停止维护，如需使用优化器功能，请查阅 Optax 或 JAX 官方文档获取最新支持。