课程介绍

欢迎来到本课程！Just After eXecution，简称 JAX，是由 DeepMind 开发的一个日益受到开发者社区欢迎的深度学习与数值计算库。

先修要求

尽管本课程属于中级水平，但并不要求太多前置知识。我们仅希望你具备以下基础：

• 具备一定的 Python 实践经验。
• 对 NumPy 库有基本理解。
• 熟悉至少一种深度学习框架，例如 PyTorch、TensorFlow、CNTK，或高层库如 Keras。
• 了解神经网络和深度学习的基本概念。

为什么选择本课程

如果你看到这门课程，很可能已经意识到 JAX 正在迅速走红。

本课程将为你提供：

• 良好的理论与实践平衡。我们将探讨大量实际应用场景，并通过具体示例进行练习，同时也会深入剖析其背后的原理与直觉。
• 内容覆盖范围广泛，适合从 JAX 初学者到专家级别的学习者。包含[高级章节]，但这些内容为可选，跳过也不会影响学习连贯性。
• 专门章节讲解线性代数和随机变量理论基础。对于感兴趣的读者，还特别设置了最优传输理论的课程内容。
• 专门章节介绍 JAX 生态系统及其神经网络库。

成功学习建议

以下是一些帮助你更好地完成本课程的建议：

• 制定每周学习计划，为本课程固定安排学习时间。
• 务必完成所有测验。
• 尝试在#key#专注模式：心理学研究表明，大脑有两种工作模式，专注模式是学习新任务时的默认状态。#key# 和 #key#发散模式：发散模式与专注模式相对，常用于整合整体认知。#key# 之间切换。我们强烈推荐在学习新主题时使用 #key#番茄工作法：一种高效的时间管理方法（也有在线模拟工具），有助于保持专注。#key#
• 明确一点：JAX 并不是 NumPy 的替代品或竞争对手。
• 善用练习环境，有效节省安装配置和其他耗时操作的时间。
• 提示小部件包含丰富信息，建议花一两分钟思考其中的内容。
• 如果你对课程有任何改进建议，欢迎随时告诉我们。

祝你学习顺利，享受学习过程！