基于 JAX 的数值微分方程求解库,支持 ODE、SDE 和 CDE,可自动微分并运行于 GPU。
jax-ml/jax-ai-stack
一键安装的 JAX 工具包,打包了经过集成测试、版本兼容的 Flax、Optax、Orbax 等 AI 与数值计算库。
- Star
- 315
- Fork
- 51
- 未关闭 Issue
- 38
- 最近提交
- 25天前
这是什么?
JAX AI Stack 是一个统一安装入口,用于安装一组相互兼容的 JAX 生态库。执行 pip install jax-ai-stack 即可同时安装 JAX 以及 Flax(构建神经网络)、Optax(梯度处理与优化)、Orbax(检查点保存)、Chex(编写可靠的 JAX 代码)、Grain(数据加载)和 ml_dtypes(NumPy 数据类型扩展)等组件,各版本已通过仓库中的集成测试验证可以协同工作。
JAX 本身是一个支持 jit、vmap、grad 等程序变换的数组计算库,核心包中与神经网络相关的内容很少,周边生态以独立包的形式发展。该工具包收录了谷歌开发者用于生成式 AI 模型的一批库,省去了手动协调版本兼容性的麻烦。
可选扩展可安装 TensorFlow Datasets,同一条命令中还可以加入 CUDA GPU 或 TPU 版本的 JAX。
核心功能
- 01一条命令安装 JAX 及 Flax、Optax、Orbax、Chex、Grain、ml_dtypes,版本经过集成测试验证。
- 02提供 jit、vmap、grad 等 JAX 程序变换。
- 03通过 pip 额外依赖可选安装 tensorflow-datasets。
- 04支持安装面向 CUDA GPU 或 TPU 的硬件专用 JAX 版本。
适用场景
- 搭建基于 Flax 与 Optax 训练神经网络的 JAX 开发环境。
- 在 JAX 项目中使用 Orbax 保存和恢复模型检查点。
- 在 NVIDIA GPU 或 Google TPU 上运行 JAX 任务,并使用经过验证的依赖组合。
快速上手
- 1
从 PyPI 安装 JAX AI 技术栈
pip install jax-ai-stack - 2
可选:通过 tfds 扩展安装 TensorFlow Datasets 支持
pip install jax-ai-stack[tfds] - 3
可选:在同一条命令中加入 JAX CUDA 扩展以支持 GPU
pip install jax-ai-stack "jax[cuda]"
使用前须知
- 它是一个打包了其他库的集合,除所固定的包之外没有独立功能。
- README 称文档和教程仍在完善中。
收录于专题
标签
常见问题
- jax-ai-stack 是什么?
- 一键安装的 JAX 工具包,打包了经过集成测试、版本兼容的 Flax、Optax、Orbax 等 AI 与数值计算库。 JAX AI Stack 是一个统一安装入口,用于安装一组相互兼容的 JAX 生态库。执行 pip install jax-ai-stack 即可同时安装 JAX 以及 Flax(构建神经网络)、Optax(梯度处理与优化)、Orbax(检查点保存)、Chex(编写可靠的 JAX 代码)、Grain(数据加载)和 ml_dtypes(NumPy 数据类型扩展)等组件,各版本已通过仓库中的集成测试验证可以协同工作。
- jax-ai-stack 可以免费使用吗?用的什么许可证?
- jax-ai-stack 以 Apache-2.0 许可证开源。用于商业产品前,请先确认许可证条款。
- jax-ai-stack 还在维护吗?
- 活跃维护中。jax-ai-stack 最近一次提交是在 2026年10月13日。
- jax-ai-stack 适合用来做什么?
- 搭建基于 Flax 与 Optax 训练神经网络的 JAX 开发环境。 在 JAX 项目中使用 Orbax 保存和恢复模型检查点。 在 NVIDIA GPU 或 Google TPU 上运行 JAX 任务,并使用经过验证的依赖组合。
- jax-ai-stack 怎么安装和运行?
- 从 PyPI 安装 JAX AI 技术栈: pip install jax-ai-stack 可选:通过 tfds 扩展安装 TensorFlow Datasets 支持: pip install jax-ai-stack[tfds] 可选:在同一条命令中加入 JAX CUDA 扩展以支持 GPU: pip install jax-ai-stack "jax[cuda]"
- 在哪里获取 jax-ai-stack?
- 源代码和安装说明在 GitHub 上:https://github.com/jax-ml/jax-ai-stack
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
基于 Jax 的机器学习框架,用于配置和运行大规模模型训练实验,主要面向 TPU 上的语言模型。
让 PyTorch 模型和算子运行在 Google TPU 上的 PyTorch 后端。
Keras 3 是一个多后端深度学习框架,可运行于 JAX、TensorFlow、PyTorch 之上,OpenVINO 仅用于推理。
一个 Python 机器学习代码转换库,可在 PyTorch、TensorFlow、JAX、NumPy 等框架之间互相转换代码。
面向 JAX 的神经网络库,强调灵活性,提供 Flax NNX API 用于构建、检查和调试模型。