fferflo/einx

它解决了什么问题

einx 简化了跨不同机器学习框架制定张量运算的复杂过程。它通过提供一种通用的高阶标记法来描述张量应如何被操作与缩减，消除了手动编写繁琐的 reshape、transpose 和 squeeze 操作的需求。

运作原理

该库使用基于字符串的标记法，根据循环标记法的类比来描述所需的输出。用户指定一个基本运算（如 sum、mean 或自定义函数）以及一个定义该运算如何向量化的表达式。

在内部，einx 不使用缓慢的 Python for 循环；相反地，它将这些表达式编译成优化的 Python 代码片段，调用底层张量框架（如 NumPy、PyTorch、JAX、TensorFlow 或 MLX）的原生运算。

适用对象

它专为在 AI 与机器学习领域处理张量的研究人员与开发者所设计，适合想要以框架无关的方式处理复杂张量转换与缩减的用户。

特色亮点

• 通用接口： 可在 NumPy、PyTorch、JAX、TensorFlow 和 MLX 之间无缝运作。
• 灵活标记法： 支持使用简洁的字符串语法进行排列、分割、展平与收集数值。
• 自定义运算： 允许用户通过适配器（adapters）将自己的 Python 函数调整为 einx 标记法。
• 透明编译： 用户可以通过将 graph=True 传递给运算来检查生成的后端代码。