基于 JAX 构建#
学习高级 JAX 用法的一个好方法是了解其他库如何使用 JAX，包括它们如何将该库集成到其 API 中、它在数学上添加了哪些功能以及它如何在其他库中用于计算加速。
以下是一些示例，说明如何使用 JAX 的功能来定义跨多个领域和软件包的加速计算。
梯度计算#
简易的梯度计算是 JAX 的一个关键特性。在 JaxOpt 库中，值和梯度直接被用户用于多个优化算法，具体可参考其源代码。
类似地，上面提到的 Dynamax Optax 配对也是一个例子，说明了梯度如何使得过去具有挑战性的估计方法成为可能，例如使用 Optax 的最大似然期望。
在多个设备上单核计算加速#
在 JAX 中定义的模型可以通过 JIT 编译实现单次计算加速。然后，相同的编译代码可以发送到 CPU 设备、GPU 或 TPU 设备以获得额外的加速，通常不需要额外的更改。这允许从开发到生产的流畅工作流程。在 Dynamax 中，线性状态空间模型求解器的计算密集部分已经被 jitted。一个更复杂的例子来自 PyTensor，它动态编译一个 JAX 函数，然后jit 构建的函数。
使用并行化的单机和多机加速#
JAX 的另一个优点是使用 pmap 和 vmap 函数调用或装饰器轻松并行化计算。在 Dynamax 中，状态空间模型使用 VMAP 装饰器进行并行化，一个实际的用例是多目标跟踪。
将 JAX 代码集成到您或您用户的工作流程中#
JAX 具有很强的可组合性，可以多种方式使用。JAX 可以与独立模式一起使用，用户可以在其中定义所有计算。但是，也可以使用其他模式，例如使用基于 JAX 构建的库来提供特定功能。这些可以是定义特定类型模型的库，例如神经网络或状态空间模型或其他模型，或者提供特定功能的库，例如优化。以下是每个模式的更具体示例。
直接使用#
可以直接导入和使用 JAX 来“从头开始”构建模型，如本网站所示，例如在JAX 教程或使用 JAX 的神经网络中。如果您找不到针对特定挑战的预构建代码，或者如果您希望减少代码库中的依赖项数量，这可能是最佳选择。
可组合的特定领域库，暴露了 JAX#
另一种常见方法是提供预构建功能的包，无论是模型定义还是某种类型的计算。然后，这些包的组合可以混合搭配，以实现完整的端到端工作流程，其中定义模型并估计其参数。
一个例子是 Flax，它简化了神经网络的构建。Flax 通常与 Optax 配对使用，其中 Flax 定义了神经网络架构，Optax 提供了优化和模型拟合功能。
另一个是 Dynamax，它可以轻松定义状态空间模型。使用 Dynamax，可以使用使用 Optax 的最大似然法估计参数，或者使用来自 Blackjax 的 MCMC估计完整的贝叶斯后验。