[JAX] 00. Introduction: JAX 실전 가이드

NumPy 호환 배열에 자동미분과 XLA 컴파일을 결합한 JAX를 다루는 시리즈의 도입 챕터입니다. JAX가 존재하는 세 가지 이유부터 jit·grad·vmap·pmap을 아우르는 8개 챕터 커리큘럼, 학습 목표, PyTorch와의 관계까지 자세히 정리합니다.

[JAX] 01. NumPy와 함수형 패러다임

jax.numpy 배열이 NumPy와 API는 같지만 불변인 이유와 .at[idx].set() 사용법, 그리고 jit·grad 대상 함수가 순수해야 하는 이유를 전역 변수·리스트 append 오작동 예제와 lax.scan 수정 코드로 정리합니다.

[JAX] 02. jit과 XLA 컴파일

jax.jit이 함수를 트레이싱해 jaxpr이라는 중간 표현을 만들고 이를 XLA 컴파일러로 넘겨 기계어로 바꾸는 과정과, 재컴파일이 일어나는 조건·static_argnums·if/for 제어흐름 함정을 코드와 함께 상세히 정리합니다.

[JAX] 03. grad: 자동미분

jax.grad가 코드를 재실행하지 않고 정확한 도함수를 얻는 원리를 수치미분·기호미분과 대조해 설명합니다. forward/reverse-mode 차이, jacfwd·jacrev·custom_jvp를 손으로 검산한 코드로 다룹니다.

[JAX] 04. vmap과 pmap: 벡터화와 병렬화

vmap이 for 반복문 없이 배치 처리를 만드는 배칭 규칙과 in_axes·out_axes 지정법, vmap(grad(f))로 샘플별 기울기를 구하는 조합 패턴, pmap의 현재 상태와 권장 대안(jit·shard_map), pytree 개념을 정리합니다.

[JAX] 05. PRNG와 상태 관리

jax.random.key와 split이 numpy.random 같은 전역 난수 상태 대신 필요한 이유를 키 재사용 버그로 재현하고, 이 상태 전달 방식이 04장 pytree·Optax opt_state와 동일한 원칙임을 다룹니다.

[JAX] 06. Flax·Optax로 신경망 실전

Flax NNX가 2026년 현재 공식 권장 API임을 문서로 확인하고 nnx.Module로 MLP를 정의한 뒤, nnx.split과 jax.grad, Optax adam을 결합해 opt_state를 명시적으로 주고받는 jit 학습 스텝을 만드는 법을 다룹니다.

[JAX] 07. PyTorch에서 마이그레이션

torch.Tensor·autograd·nn.Module·optimizer.step()을 JAX 개념으로 매핑하고, 순수성 위반·전역 PRNG·jit 재컴파일 함정 3가지와 eager 대 trace-and-compile 실행 모델 차이를 실전 코드로 다룹니다.

Programming Performance

[Programming] "클린 코드"는 성능을 얼마나 깎아내리는가 — 25배 벤치마크의 반박

Pragmatic Engineer의 2026년 8월 인터뷰를 계기로, Casey Muratori가 2023년 실측 벤치마크로 보여준 클린 코드와 성능의 관계를 정리한다. 가상 함수 기반 다형성을 switch문·룩업 테이블로 바꾸면 왜 최대 25배 빨라지는지, Uncle Bob의 반박까지 함께 다룬다.

[PowerShell] 00. 과정 개요와 커리큘럼

PowerShell 121챕터 커리큘럼의 과정 개요. 텍스트가 아닌 객체 파이프라인이라는 정신 모델, 18개 Part 학습 순서의 설계 근거, 00-120장 전체 목차, 선수 지식과 완주 후 실무자가 갖추는 원격 관리·보안 역량까지 정리한 과정 개요 챕터다.