tinygrad - 对于介于pytorch和karpathy/micrograd之间的东西
Created at: 2020-10-19 00:23:12
Language: Python
License: MIT
这可能不是最好的深度学习框架，但它是一个深度学习框架。
由于其极其简单，它旨在成为添加新加速器的最简单框架，并支持推理和训练。如果XLA是CISC，tinygrad就是RISC。
Tinygrad仍然是Alpha软件，但我们筹集了一些资金来使其变得更好。总有一天，我们会把芯片流下来。
特征
LLaMA和稳定扩散
懒惰
尝试使用矩阵。看看，尽管风格如此，但它如何融合成一个内核，具有懒惰的力量。
DEBUG=3 python3 -c "from tinygrad.tensor import Tensor;
N = 1024; a, b = Tensor.rand(N, N), Tensor.rand(N, N);
c = (a.reshape(N, 1, N) * b.permute(1,0).reshape(1, N, N)).sum(axis=2);
print((c.numpy() - (a.numpy() @ b.numpy())).mean())"我们可以更改为查看生成的代码。
DEBUG
4
神经网络
事实证明，神经网络所需的 90% 是一个不错的自动/张量库。加入一个优化器、一个数据加载器和一些计算，你就拥有了你需要的一切。
神经网络示例（来自测试/模型/test_mnist.py）
from tinygrad.tensor import Tensor
import tinygrad.nn.optim as optim
class TinyBobNet:
def __init__(self):
self.l1 = Tensor.uniform(784, 128)
self.l2 = Tensor.uniform(128, 10)
def forward(self, x):
return x.dot(self.l1).relu().dot(self.l2).log_softmax()
model = TinyBobNet()
optim = optim.SGD([model.l1, model.l2], lr=0.001)
# ... complete data loader here
out = model.forward(x)
loss = out.mul(y).mean()
optim.zero_grad()
loss.backward()
optim.step()加速器
tinygrad已经支持许多加速器，包括：
- [x] 中央处理器
- [x] GPU （OpenCL）
- [x] C 代码 （叮当）
- [x] LLVM
- [x] 金属
- [x] 库达
- [x] 海卫一
- [x] PyTorch
而且很容易添加更多！你选择的加速器只需要支持总共 26 个（可选 27 个）低级操作。有关详细信息，请参阅有关添加新加速器的文档。
安装
目前推荐的安装 tinygrad 的方法是从源代码开始。
从源头
git clone https://github.com/geohot/tinygrad.git
cd tinygrad
python3 -m pip install -e .别忘了最后！
.
文档
文档和快速入门指南可以在 docs/ 目录中找到。
与 PyTorch 比较的快速示例
from tinygrad.tensor import Tensor
x = Tensor.eye(3, requires_grad=True)
y = Tensor([[2.0,0,-2.0]], requires_grad=True)
z = y.matmul(x).sum()
z.backward()
print(x.grad.numpy()) # dz/dx
print(y.grad.numpy()) # dz/dy同样的事情，但在 PyTorch 中：
import torch
x = torch.eye(3, requires_grad=True)
y = torch.tensor([[2.0,0,-2.0]], requires_grad=True)
z = y.matmul(x).sum()
z.backward()
print(x.grad.numpy()) # dz/dx
print(y.grad.numpy()) # dz/dy贡献
最近人们对tinygrad很感兴趣。以下是一些贡献的基本准则：
- 错误修复是最好的，总是受欢迎的！比如这个。
- 如果你不理解要更改的代码，请不要更改它！
- 所有代码高尔夫 PR 都将关闭，但概念清理很棒。
- 欢迎使用功能。不过，如果你要添加功能，则需要包含测试。
- 通过可靠的非脆性测试，提高测试覆盖率非常好。
其他指南可在 CONTRIBUTING.md 中找到。
运行测试
有关如何运行完整测试套件的更多示例，请参阅 CI 工作流。
一些例子：
python3 -m pip install -e '.[testing]'
python3 -m pytest
python3 -m pytest -v -k TestTrain
python3 ./test/models/test_train.py TestTrain.test_efficientnet
热门github
1
2
4
The Python Risk Identification Tool for generative AI (PyRIT) is an open access automation framework to empower security professionals and machine learning engineers to proactively find risks in their generative AI systems.
(翻译：用于生成式 AI 的 Python 风险识别工具 (PyRIT) 是一个开放式访问自动化框架，使安全专业人员和机器学习工程师能够主动发现其生成式 AI 系统中的风险。)
5
7
8
9
Mamba is a new state space model architecture showing promising performance on information-dense data such as language modeling, where previous subquadratic models fall short of Transformers. It is based on the line of progress on structured state space models, with an efficient hardware-aware design and implementation in the spirit of FlashAttention.
(翻译：Mamba 是一种新的状态空间模型架构，在信息密集型数据（例如语言建模）上显示出良好的性能，而之前的二次模型在 Transformers 方面存在不足。它基于结构化状态空间模型的进展，并本着FlashAttention的精神进行高效的硬件感知设计和实现。)
10
11
13