人走茶凉|API统一、干净，新型EagerPy实现多框架无缝衔接( 二 ) 选自arXiv编辑：杜伟、小舟这个新型Pyt

此外，能够编写自动与所有支持的框架一起运行的代码，不仅需要语法，还需要语义统一。为了确保这一点， EagerPy 附带了一个庞大的测试套件，该套件可以验证不同框架特定子类之间的一致性。它会在所有 pull-request 上自动运行，并且需要通过之后才能合并新代码。
测试套件还可以作为所支持的操作和参数组合的最终参考。这样就可以避免文档和实现之间出现不一致，并在实践中引出测试驱动开发过程。
原始性能
没有 EagerPy ，想要与不同深度学习框架进行交互的代码必须经过 NumPy 实现。这需要在 CPU（NumPy）和 GPU（PyTorch、TensorFlow 和 JAX）之间进行高成本的内存复制，反之亦然。
此外，许多计算仅在 CPU 上执行，为了避免这种情况， EagerPy 仅保留对原始框架特定张量的引用（例如 GPU 上的 PyTorch 张量），并将所有的操作委托给相应的框架。这几乎不产生任何的计算开销。
完全可链接的 API
求和或平方之类的许多运算都要采用张量并返回一个张量。通常情况下，这些运算按顺序被调用。例如使用平方、求和和开平方根以计算 L2 范数。
在 EagerPy 中，所有运算都成为了张量对象（tensor object）上可用的方法。这样就可以按照它们的自然顺序（x.square().sum().sqrt()）来链接操作。相反，例如， NumPy 需要相反的操作顺序，即 np.sqrt(np.square(x).sum()) 。
类型检查
在 Python3.5 中， Python 语法的扩展已经实现了对类型注释的支持（van Rossum 等人， 2015 年）。即使具有类型注释， Python 仍然是一种动态类型化的编程语言，并且当前在运行时会忽略所有类型注释。但是，我们可以在运行代码之前通过静态代码分析器检查这些类型注释。
EagerPy 带有所有参数和返回值的全面类型注释，并使用 Mypy（Lehtosalo 等人， 2016 年）对这些注释进行检查。这有助于我们捕获 EagerPy 中的漏洞，否则这些漏洞将一直不会被发现。
EagerPy 用户可以通过键入自己代码的注释，并根据 EagerPy 的函数签名（function signature）自动检查代码来进一步优化。这一点很关键，因为 TensorFlow、NumPy 和 JAX 当前自身不提供类型注释。
EagerPy 的代码实例解析
如下代码 1 为一个通用 EagerPy 范数函数，它可以通过任何框架中的原生张量被调用，并且返回的范数依然作为同一个框架中的原生张量。
代码 1：框架无关的范数函数。
EagerPy 和原生张量之间的转换
原生张量可以是 PyTorch GPU 或 CPU 张量，如下代码 2 所示：
代码 2：原生 PyTorch 张量。
可以是 TensorFlow 张量，如下代码 3 所示：
代码 3：原生 TensorFlow 张量。
可以是 JAX 数组，如下代码 4 所示：
代码 4：原生 JAX 数组。
可以是 NumPy 数组，如下代码 5 所示：
代码 5：原生 NumPy 数组。