使用 C FFI 从 Dart 运行 JAX 程序

？为什么将 Dart 和 JAX 结合起来进行机器学习？

构建应用程序时，选择正确的工具至关重要。您需要高性能、轻松开发和无缝跨平台部署。流行的框架提供了权衡：

• C 提供速度，但会减慢开发速度。
• Dart（与 Flutter 一起）速度较慢，但​​简化了内存管理和跨平台开发。

但问题是：大多数框架缺乏强大的原生机器学习 (ML) 支持。这种差距的存在是因为这些框架早于人工智能繁荣。问题是：

我们如何有效地将机器学习集成到应用程序中？ ​​

诸如ONNX Runtime之类的常见解决方案允许导出ML模型以进行应用程序集成，但它们没有针对CPU进行优化，也没有足够灵活以适应通用算法。

输入JAX，一个Python库，它：

• 允许编写优化的机器学习和通用算法。
• 在 CPU、GPU 和 TPU 上提供与平台无关的执行。
• 支持诸如autograd和JIT编译等尖端功能。

在本文中，我们将向您展示如何：

1. 用 Python 编写 JAX 程序。
2. 生成 XLA 规格。
3. 使用 C FFI 在 Dart 中部署优化的 JAX 代码。

---

？什么是JAX？

JAX 就像类固醇上的 NumPy。它由 Google 开发，是一个低级高性能库，使 ML 易于访问且功能强大。

• 与平台无关：代码无需修改即可在 CPU、GPU 和 TPU 上运行。
• 速度：JAX 由 XLA 编译器提供支持，优化并加速执行。
• 灵活性：非常适合机器学习模型和通用算法。

这是一个比较 NumPy 和 JAX 的示例：

# NumPy version
import numpy as np  
def assign_numpy():  
  a = np.empty(1000000)  
  a[:] = 1  
  return a  

# JAX version
import jax.numpy as jnp  
import jax  

@jax.jit  
def assign_jax():  
  a = jnp.empty(1000000)  
  return a.at[:].set(1)  

Google Colab 中的基准测试揭示了 JAX 的性能优势：

• CPU 和 GPU：JAX 比 NumPy 更快。
• TPU：由于数据传输成本，大型模型的加速变得明显。

这种灵活性和速度使 JAX 成为性能至关重要的生产环境的理想选择。

---

?️ 将 JAX 投入生产

云微服务与本地部署

• 云：容器化 Python 微服务非常适合基于云的计算。
• 本地：发布 Python 解释器对于本地应用程序来说并不理想。

解决方案：利用 JAX 的 XLA 编译

JAX 将 Python 代码翻译成 HLO（高级优化器）规范，可以使用 C XLA 库编译和执行。这使得：

1. 用 Python 编写算法。
2. 通过 C 库本地运行它们。
3. 通过FFI（外部函数接口） 与 Dart 集成。

---

✍️ 逐步集成

1. 生成 HLO 原型

编写您的 JAX 函数并导出其 HLO 表示。例如：

# NumPy version
import numpy as np  
def assign_numpy():  
  a = np.empty(1000000)  
  a[:] = 1  
  return a  

# JAX version
import jax.numpy as jnp  
import jax  

@jax.jit  
def assign_jax():  
  a = jnp.empty(1000000)  
  return a.at[:].set(1)  

要生成 HLO，请使用 JAX 存储库中的 jax_to_ir.py 脚本：

import jax.numpy as jnp  

def fn(x, y, z):  
  return jnp.dot(x, y) / z  

将生成的文件（fn_hlo.txt 和 fn_hlo.pb）放入应用程序的资产目录中。

---

2. 构建C动态库

修改JAX的C示例代码

克隆 JAX 存储库并导航到 jax/examples/jax_cpp。

• 添加main.h头文件：

python jax_to_ir.py \
  --fn jax_example.prog.fn \
  --input_shapes '[("x", "f32[2,2]"), ("y", "f32[2,2")]' \
  --constants '{"z": 2.0}' \
  --ir_format HLO \
  --ir_human_dest /tmp/fn_hlo.txt \
  --ir_dest /tmp/fn_hlo.pb

• 更新BUILD文件以创建共享库：

#ifndef MAIN_H  
#define MAIN_H  

extern "C" {  
  int bar(int foo);  
}  

#endif  

使用 Bazel 编译：

cc_shared_library(  
   name = "jax",  
   deps = [":main"],  
   visibility = ["//visibility:public"],  
)  

您将在输出目录中找到编译后的 libjax.dylib。

---

3. 使用 FFI 将 Dart 与 C 连接

使用 Dart 的 FFI 包 与 C 库通信。创建一个 jax.dart 文件：

bazel build examples/jax_cpp:jax  

将动态库包含在您的项目目录中。测试一下：

import 'dart:ffi';  
import 'package:dynamic_library/dynamic_library.dart';  

typedef FooCFunc = Int32 Function(Int32 bar);  
typedef FooDartFunc = int Function(int bar);  

class JAX {  
  late final DynamicLibrary dylib;  

  JAX() {  
    dylib = loadDynamicLibrary(libraryName: 'jax');  
  }  

  Function get _bar => dylib.lookupFunction<FooCFunc, FooDartFunc>('bar');  

  int bar(int foo) {  
    return _bar(foo);  
  }  
}  

您将在控制台中看到 C 库的输出。

---

？下一步

通过此设置，您可以：

• 使用 JAX 和 XLA 优化 ML 模型。
• 在本地运行强大的算法。

潜在用例包括：

• 搜索算法（例如，A*）。
• 组合优化（例如调度）。
• 图像处理（例如边缘检测）。

JAX 弥合了基于 Python 的开发和生产级性能之间的差距，让 ML 工程师能够专注于算法，而无需担心低级 C 代码。

---

我们正在构建一个尖端的人工智能平台，具有无限的聊天令牌和长期记忆，确保随着时间的推移而不断发展的无缝、上下文感知交互。

它是完全免费的，您也可以在当前的 IDE 中尝试它。

以上是使用 C FFI 从 Dart 运行 JAX 程序的详细内容。更多信息请关注PHP中文网其他相关文章！