MLX

mlx-explore.github.io/mlx 是 Apple 机器学习团队为 MLX 框架维护的权威门户。站点以极简白色主题呈现，顶部导航栏直达安装、教程、API 与示例四大板块；侧边栏自动展开当前章节，方便跳转。首页用一句话阐明愿景：专为 Apple Silicon 设计的 NumPy/PyTorch 式阵列框架，支持高效训练与部署。页面内嵌交互式代码块，可一键复制到本地 Jupyter。底部列出 GitHub 仓库、问题追踪与贡献指南，方便社区协作。

1. 安装：提供 pip/conda、源码、Docker 三种方式，自动检测 macOS 版本并给出命令。
2. 教程：从 5 分钟上手到自定义 C++ 扩展，共 7 篇，含 MNIST、LoRA、Stable Diffusion 实战。
3. API 参考：Python、C++、Swift 三语并列，搜索框即时过滤函数；每个条目含签名、示例、复杂度分析。
4. 示例库：链接到 mlx-examples 仓库，涵盖 Llama-7B、Whisper、ViT、DeepSpeed-style ZeRO。
5. 性能基准：列出 M1/M2/M3 CPU/GPU 上常见算子的吞吐与能耗曲线，可下载 CSV 复现。
6. 调试与扩展：介绍 mx.set_print_options、Metal Shader 调试标记、自定义 kernel 注册流程。
7. 社区：Discussions 入口、贡献者名单、行为准则，支持中文提问。

• 本地 Mac 训练：研究者用 M2 Ultra 64 GB 内存单机微调 Llama-7B，无需云端。
• iOS App 原型：开发者把 MLX Swift 绑定嵌入 Xcode Playground，实时验证模型在 iPhone 15 Pro 上的帧率。
• 教学实验：高校课程用 MLX 代替 NumPy，GPU 加速卷积实验，学生自带 MacBook 即可。
• 跨平台推理：在 Mac Studio 训练后，用同一套 Python 脚本在 Linux 服务器复现结果，验证可移植性。

• Apple Silicon 原生：统一内存架构，CPU/GPU/ANE 零拷贝。
• PyTorch 式 API：几乎零学习成本，支持动态图。
• 可组合变换：自动微分、向量化、JIT 一键链式调用。
• 轻量：纯 C++/Metal 后端，pip 安装包 < 30 MB。
• 开源 MIT：社区可商用，PR 合并快，文档实时更新。