Endia

Endia是一个用于科学计算的动态数组库，类似于PyTorch、Numpy和JAX。它提供：

自动微分：计算任意阶导数。
复数支持：用Endia进行高级科学应用。
双重API：可选择类似PyTorch的命令式或类似JAX的函数式接口。
JIT编译：利用MAX加速训练和推理。

网站 | 文档 | 入门指南

</div>

安装

安装Mojo和MAX 🔥 (v24.4)
克隆仓库：选择以下选项之一克隆仓库：
```
git clone https://github.com/endia-org/Endia.git
cd Endia
```
如果您想使用每日（开发）版本，请切换到nightly分支：
```
git checkout nightly
```
设置环境：
```
chmod +x setup.sh
./setup.sh
```
所需依赖项：torch、numpy、graphviz。这些将由安装脚本自动安装。

一个小例子

在本指南中，我们将展示如何计算一个简单函数的值、梯度和黑塞矩阵（即二阶导数）。首先使用Endia的类PyTorch API，然后使用更类似JAX的函数式API。在两个示例中，我们首先定义一个函数foo，它接受一个数组并返回其元素平方和。

PyTorch方式

使用Endia的命令式（类PyTorch）接口时，我们通过在函数输出上调用backward方法来计算函数的梯度。这种命令式风格需要显式管理计算图，包括为输入数组（即叶节点）设置requires_grad=True，并在计算高阶导数时在backward方法中使用create_graph=True。

from endia import Tensor, sum, arange
import endia.autograd.functional as F


# 定义函数
def foo(x: Tensor) -> Tensor:
    return sum(x ** 2)

def main():
    # 初始化变量 - 需要requires_grad=True！
    x = arange(1.0, 4.0, requires_grad=True) # [1.0, 2.0, 3.0]

    # 计算结果、一阶和二阶导数
    y = foo(x)
    y.backward(create_graph=True)            
    dy_dx = x.grad()
    d2y_dx2 = F.grad(outs=sum(dy_dx), inputs=x)[0]

    # 打印结果
    print(y)        # 14.0
    print(dy_dx)    # [2.0, 4.0, 6.0]
    print(d2y_dx2)  # [2.0, 2.0, 2.0]

JAX方式

使用Endia的函数式（类JAX）接口时，计算图是隐式处理的。通过在foo上调用grad或jacobian函数，我们创建一个计算完整雅可比矩阵的Callable。这个Callable可以再次传递给grad或jacobian函数以计算高阶导数。

from endia import grad, jacobian
from endia.numpy import sum, arange, ndarray


def foo(x: ndarray) -> ndarray:
    return sum(x**2)


def main():
    # 创建一阶和二阶导数的Callable
    foo_jac = grad(foo)
    foo_hes = jacobian(foo_jac)

    x = arange(1.0, 4.0)       # [1.0, 2.0, 3.0]

    print(foo(x))              # 14.0
    print(foo_jac(x)[ndarray]) # [2.0, 4.0, 6.0]
    print(foo_hes(x)[ndarray]) # [[2.0, 0.0, 0.0], [0.0, 2.0, 0.0], [0.0, 0.0, 2.0]]

还有更多功能！Endia可以处理复值函数，可以执行前向和反向自动微分，甚至内置了JIT编译器来加速运算。在文档中探索完整的功能列表。

为什么要另一个ML框架？

🧠 推进AI和科学计算：通过清晰易懂的算法突破界限
🚀 Mojo驱动的清晰性：高性能开源代码始终保持可读性和Python风格
📐 可解释性：优先考虑清晰度和教育价值，而不是exhaustive功能

"生活中没有什么需要害怕，只有需要理解。现在是时候去理解更多，这样我们就能减少恐惧。" - 玛丽·居里

贡献

欢迎对Endia做出贡献！如果您想贡献，请遵循仓库中CONTRIBUTING.md文件中的贡献指南。

引用

如果您在研究或项目中使用Endia，请按以下方式引用：

@software{Fehrenbach_Endia_2024,
  author = {Fehrenbach, Tillmann},
  license = {Apache-2.0 with LLVM Exceptions},
  doi = {10.5281/zenodo.12810766},
  month = jul,
  title = {{Endia}},
  url = {https://github.com/endia-org/Endia},
  version = {24.4.2},
  year = {2024}
}