🌐 [translation-sync] Minor edits

.translate/state/jax_intro.md.yml

@@ -1,5 +1,5 @@
-source-sha: 8d73de367a7f160dac777aa557f1c26069f84ea5
-synced-at: "2026-04-12"
+source-sha: 95378b8382b4dbd1cd3e0ffe0e152811894c357f
+synced-at: "2026-04-13"
 model: claude-sonnet-4-6
 mode: UPDATE
 section-count: 7

.translate/state/numba.md.yml

@@ -1,5 +1,5 @@
-source-sha: be6eeaee8db0c8bfea65b89d57ca8aecf7f96dff
-synced-at: "2026-04-12"
+source-sha: 95378b8382b4dbd1cd3e0ffe0e152811894c357f
+synced-at: "2026-04-13"
 model: claude-sonnet-4-6
 mode: UPDATE
 section-count: 5

.translate/state/numpy_vs_numba_vs_jax.md.yml

@@ -1,5 +1,5 @@
-source-sha: 94dd7d22385ec46d740db1fc2cddf05c29377594
-synced-at: "2026-04-12"
+source-sha: 95378b8382b4dbd1cd3e0ffe0e152811894c357f
+synced-at: "2026-04-13"
 model: claude-sonnet-4-6
 mode: UPDATE
 section-count: 3

lectures/jax_intro.md

@@ -18,6 +18,7 @@ translation:
     JAX as a NumPy Replacement::Differences::Speed!: 速度！
     JAX as a NumPy Replacement::Differences::Speed!::With NumPy: 使用 NumPy
     JAX as a NumPy Replacement::Differences::Speed!::With JAX: 使用 JAX
+    JAX as a NumPy Replacement::Differences::Size Experiment: 大小实验
     JAX as a NumPy Replacement::Differences::Precision: 精度
     JAX as a NumPy Replacement::Differences::Immutability: 不可变性
     JAX as a NumPy Replacement::Differences::A workaround: 变通方法
@@ -31,13 +32,11 @@ translation:
     Random numbers::Why explicit random state?::NumPy's approach: NumPy 的方法
     Random numbers::Why explicit random state?::JAX's approach: JAX 的方法
     JIT Compilation: JIT 编译
-    JIT Compilation::Evaluating a more complicated function: 评估更复杂的函数
-    JIT Compilation::Evaluating a more complicated function::With NumPy: 使用 NumPy
-    JIT Compilation::Evaluating a more complicated function::With JAX: 使用 JAX
-    JIT Compilation::Compiling the whole function: 编译整个函数
+    JIT Compilation::With NumPy: 使用 NumPy
+    JIT Compilation::With JAX: 使用 JAX
+    JIT Compilation::Compiling the Whole Function: 编译整个函数
     JIT Compilation::How JIT compilation works: JIT 编译的工作原理
     JIT Compilation::Compiling non-pure functions: 编译非纯函数
-    JIT Compilation::Summary: 总结
     Exercises: 练习
 ---
 
@@ -205,6 +204,8 @@ with qe.Timer():
 
 大小对于生成优化代码很重要，因为高效的并行化需要将任务大小与可用硬件相匹配。
 
+#### 大小实验
+
 我们可以通过更改输入大小并观察运行时间来验证 JAX 针对数组大小进行专门化的说法。
 
 ```{code-cell}
@@ -233,105 +234,6 @@ with qe.Timer():
 
 关于 JIT 编译的进一步讨论见下文。
 
-(jax_speed)=
-#### 速度！
-
-假设我们想在许多点上求余弦函数的值。
-
-```{code-cell}
-n = 50_000_000
-x = np.linspace(0, 10, n)
-```
-
-##### 使用 NumPy
-
-让我们先用 NumPy 试试：
-
-```{code-cell}
-with qe.Timer():
-    y = np.cos(x)
-```
-
-再来一次。
-
-```{code-cell}
-with qe.Timer():
-    y = np.cos(x)
-```
-
-这里：
-
-* NumPy 使用预编译的二进制文件对浮点数组应用余弦函数
-* 该二进制文件在本地机器的 CPU 上运行
-
-##### 使用 JAX
-
-现在让我们用 JAX 试试。
-
-```{code-cell}
-x = jnp.linspace(0, 10, n)
-```
-
-对相同的过程计时。
-
-```{code-cell}
-with qe.Timer():
-    y = jnp.cos(x)
-    jax.block_until_ready(y);
-```
-
-```{note}
-这里，为了测量实际速度，我们使用 `block_until_ready` 方法让解释器等待，直到计算结果返回。
-
-这是必要的，因为 JAX 使用异步调度，允许 Python 解释器在数值计算之前运行。
-
-对于非计时代码，可以省略包含 `block_until_ready` 的那行。
-```
-
-再计时一次。
-
-```{code-cell}
-with qe.Timer():
-    y = jnp.cos(x)
-    jax.block_until_ready(y);
-```
-
-在 GPU 上，这段代码的运行速度远快于等效的 NumPy 代码。
-
-此外，通常第二次运行比第一次更快，这是由于 JIT 编译的原因。
-
-这是因为即使是 `jnp.cos` 这样的内置函数也会被 JIT 编译——第一次运行包含了编译时间。
-
-为什么 JAX 要对 `jnp.cos` 这样的内置函数进行 JIT 编译，而不是像 NumPy 那样直接提供预编译版本？
-
-原因是 JIT 编译器希望针对所使用数组的*大小*（以及数据类型）进行专门优化。
-
-大小对于生成优化代码很重要，因为高效并行化需要将任务大小与可用硬件相匹配。
-
-我们可以通过改变输入大小并观察运行时间来验证 JAX 针对数组大小进行专门优化的说法。
-
-```{code-cell}
-x = jnp.linspace(0, 10, n + 1)
-```
-
-```{code-cell}
-with qe.Timer():
-    y = jnp.cos(x)
-    jax.block_until_ready(y);
-```
-
-```{code-cell}
-with qe.Timer():
-    y = jnp.cos(x)
-    jax.block_until_ready(y);
-```
-
-运行时间先增加后再次下降（在 GPU 上这一现象会更明显）。
-
-这与上面的讨论一致——改变数组大小后的第一次运行显示了编译开销。
-
-关于 JIT 编译的进一步讨论见下文。
-
 #### 精度
 
 NumPy 和 JAX 之间的另一个差异是 JAX 默认使用 32 位浮点数。
@@ -731,19 +633,15 @@ JAX 的即时（JIT）编译器通过生成随任务大小和硬件变化的高
 
 我们在 {ref}`上文 <jax_speed>` 中已经看到了 JAX 的 JIT 编译器结合并行硬件的强大之处，当时我们对一个大数组应用了 `cos` 函数。
 
-让我们用一个更复杂的函数尝试同样的操作。
-
-### 评估更复杂的函数
-
-考虑以下函数：
+让我们用一个更复杂的函数尝试同样的操作：
 
 ```{code-cell}
 def f(x):
     y = np.cos(2 * x**2) + np.sqrt(np.abs(x)) + 2 * np.sin(x**4) - x**2
     return y
 ```
 
-#### 使用 NumPy
+### 使用 NumPy
 
 我们先用 NumPy 试试：
 
@@ -758,7 +656,7 @@ with qe.Timer():
     y = f(x)
 ```
 
-#### 使用 JAX
+### 使用 JAX
 
 现在让我们用 JAX 再试一次。
 
@@ -793,7 +691,7 @@ with qe.Timer():
 
 结果与 `cos` 示例类似——JAX 更快，尤其是在 JIT 编译后的第二次运行中。
 
-然而，使用 JAX，我们还有另一个技巧——我们可以对*整个*函数进行 JIT 编译，而不仅仅是单个操作。
+然而，使用 JAX，我们还有另一个技巧——我们可以对整个函数进行 JIT 编译，而不仅仅是单个操作。
 
 ### 编译整个函数
 

lectures/numba.md

@@ -132,7 +132,7 @@ n = 10_000_000
 
 with qe.Timer() as timer1:
     # Time Python base version
-    x = qm(0.1, int(n))
+    x = qm(0.1, n)
 
 ```
 
@@ -160,7 +160,7 @@ qm_numba = jit(qm)
 ```{code-cell} ipython3
 with qe.Timer() as timer2:
     # Time jitted version
-    x = qm_numba(0.1, int(n))
+    x = qm_numba(0.1, n)
 ```
 
 这已经是非常大的速度提升。
@@ -172,7 +172,7 @@ with qe.Timer() as timer2:
 ```{code-cell} ipython3
 with qe.Timer() as timer3:
     # Second run
-    x = qm_numba(0.1, int(n))
+    x = qm_numba(0.1, n)
 ```
 
 以下是速度提升