Apple lança nova estrutura de aprendizado de máquina MLX para Macs de silício da Apple – 9to5Mac

Não me pergunte o que isso significa, mas pode ser do interesse de alguns de vocês, usuários reais de Mac. A Apple lançou o MLX, “uma estrutura de array para aprendizado de máquina no silício da Apple, trazida a você pela pesquisa de aprendizado de máquina da Apple”.

Esta história é apoiada por Mosylea única plataforma unificada da Apple. Mosyle é a única solução que integra totalmente cinco aplicativos diferentes em uma única plataforma exclusiva da Apple, permitindo que empresas e escolas implantem, gerenciem e protejam de forma fácil e automática todos os seus dispositivos Apple. Mais de 38.000 organizações aproveite as soluções Mosyle para automatizar a implantação, o gerenciamento e a segurança de milhões de dispositivos Apple diariamente. Solicite uma conta GRATUITA hoje e descubra como você pode colocar sua frota Apple no piloto automático por um preço difícil de acreditar.

Aqui está uma descrição da documentação:

O MLX foi projetado por pesquisadores de aprendizado de máquina para pesquisadores de aprendizado de máquina. A estrutura pretende ser fácil de usar, mas ainda eficiente para treinar e implantar modelos. O design da estrutura em si também é conceitualmente simples. Pretendemos facilitar aos pesquisadores a extensão e o aprimoramento do MLX com o objetivo de explorar rapidamente novas ideias.

Eles também destacam alguns recursos importantes do MLX:

• APIs familiares: MLX tem uma API Python que segue de perto o NumPy. O MLX também possui uma API C++ completa, que reflete de perto a API Python. MLX tem pacotes de nível superior como mlx.nn e mlx.optimizers com APIs que seguem de perto o PyTorch para simplificar a construção de modelos mais complexos.
• Transformações de funções combináveis: MLX possui transformações de função combináveis ​​para diferenciação automática, vetorização automática e otimização de gráfico de computação.
• Computação preguiçosa: Os cálculos no MLX são preguiçosos. Matrizes só são materializadas quando necessário.
• Construção de gráfico dinâmico: Os gráficos de computação no MLX são construídos dinamicamente. Alterar as formas dos argumentos da função não aciona compilações lentas e a depuração é simples e intuitiva.
• Vários dispositivos: as operações podem ser executadas em qualquer um dos dispositivos suportados (atualmente, CPU e GPU).
• Memória unificada: Uma diferença notável do MLX e de outras estruturas é a modelo de memória unificada. Matrizes no MLX residem na memória compartilhada. As operações em arrays MLX podem ser realizadas em qualquer um dos tipos de dispositivos suportados sem mover dados.

Agora um tópico de alguém que realmente sabe do que está falando:

Aproveitar!