Google ジャックス

# インポート
 jax インポート gradから
 jax.numpyを jnpとして インポートする

# ロジスティック関数を定義する
def ロジスティック( x ):  
     jnp.exp ( x ) / ( jnp.exp ( x ) +1 )を返す​​​​    

# ロジスティック関数の勾配関数を取得する
grad_logistic  =  grad (ロジスティック)

# x = 1 におけるロジスティック関数の勾配を評価する
grad_log_out  =  grad_logistic ( 1.0 )   
印刷( grad_log_out )

# インポート
 jax からjitをインポート 
 jax.numpyを jnpとして インポートする

# キューブ関数を定義する
 立方体の定義( x ):
     x  *  x  *  xを返す

# データを生成する
x  =  jnp . 1 (( 10000 ,  10000 ))

# キューブ関数の JIT バージョンを作成する
jit_cube  =  jit (キューブ)

# 速度比較のために、cube 関数と jit_cube 関数を同じデータに適用します
立方体( x )
jit_cube ( x )

# インポート
 jax からvmapを部分的にインポート  
 jax.numpyを jnpとして インポートする

# 関数を定義する
def  grads (自己、 入力):
    in_grad_partial  =  jax.partial ( self._net_grads , self._net_params )は、​​​​ 
    grad_vmap  =  jax.vmap ( in_grad_partial )です。
    rich_grads  =  grad_vmap (入力)
    flat_grads  =  np . asarray ( self . _flatten_batch ( rich_grads ))
     flat_grads.ndim == 2かつflat_grads.shape [ 0 ] == inputs.shape [ 0 ]であることをアサートする​      
     flat_gradsを返す

# pmap と random を JAX からインポートします。JAX NumPy をインポートします。
 jax  import  pmapからランダム​ 
 jax.numpyを jnpとして インポートする

# デバイスごとに 5000 x 6000 の次元のランダム行列を 2 つ生成します
random_keys  =  random.split ( random.PRNGKey ( 0 ), 2 )ランダムキーを分割します。 
行列 =  pmap ( lambda  key :  random . normal ( key ,  ( 5000 ,  6000 )))( random_keys )

# データ転送なしで、各CPU/GPUでローカル行列乗算を並列に実行します
出力 =  pmap ( lambda  x :  jnp . dot ( x ,  x . T ))(行列)

# データ転送なしで、並列に、各CPU/GPUで両方の行列の平均を個別に取得します
平均 =  pmap ( jnp .平均)(出力)
印刷する（手段）