在百度狂推PaddlePaddle框架，以及旷视计划本月25日发布自研深度学习训练框架MegEngine之际，清华大学突然发布首个中国高校自研深度学习框架Jittor，中文名为计图。

官网链接 https://cg.cs.tsinghua.edu.cn/jittor/

Github链接 https://github.com/Jittor/jittor

如果把深度学习框架的发展比作春秋战国，那2018年前可以算作春秋时代，其中既有早期的Torch（2002年）、 Theano（2007年），又有2012年深度学习的转折年之后的Caffe（2013年）、Deeplearning4J（2014年）、Keras（2015年）、TensorFlow（2015年）、MXNet（2015年）、日本创业公司的Chainer（2015年）、微软CNTK（2016年）、百度PaddlePaddle（2016年）、Caffe2（2017年）、PyTorch（2017年）等，甚至还有依附于这些框架的微框架——FastAI、TFLayer（Keras也算），种种深度学习框架层出不穷，烽烟四起。

但是，自2018年以后，深度学习可以说是步入了战国时期，强国开始不断侵蚀弱国的地盘，以至于今天形成了PyTorch和TensorFLow两强称霸的格局。曾经的霸主Caffe逐渐势微，但在工业界还有一席之位，Keras基本融入进了TensorFlow，Chainer宣布改旗易帜到PyTorch，Caffe2也融合进了PyTorch，MXNet虽然写的教材很棒，开源的模型也不少，但是仍旧不愠不火。另外，还有国产的PaddlePaddle，最近在各大公众号砸钱推广其Detection框架、Server部署框架、AI studio等，仍在向强国奋勇迈进。

旷视也预计本月25日发布其MegEngine训练框架，会同时开源多个模型示例，加入国产训练框架之争。没想到，半路突然杀出个程咬金，清华大学今日突然发布了国内首个高校研发的深度学习框架Jittor。

首先介绍一下Jittor的开发团队，该团队来自清华大学计算机系的图形学实验室，实验室负责人为胡事民教授，主要研发主力为实验室的梁盾、杨国烨、杨国炜和周文洋等博士生。

1

Jittor基本组成

根据Jittor官网的介绍，该框架是一个完全基于动态编译的框架，主要有两大核心部分：元算子和统一计算图。

元算子是基本的运算单元，也就是我们常说的OP，作者称元算子和Numpy一样易用，还超越了Numpy能够实现更复杂高效的操作。基本的元算子 可以融合成卷积、池化、BN等算子。下面是从元算子，到基本深度学习单元，再到模型的结构图。（有没有感觉这个图显得比较古老，有点类似10年前自动化系统的介绍图～）

Jittor内置的元算子编译器，可以的将Python编写的算子，动态编译成C++代码。

统一计算图则融合了静态图和动态图的优点，易于使用，可以高效的将模型优化到CPU、GPU等硬件上。

Jittor内置的编译器，与LLVM兼容，会根据硬件，自动动态编译代码，对C++代码进一步优化，生成对底层硬件更友好的底层算子。

Jittor一个比较创新的地方是，其统一管理GPU显存和内存，当显存耗尽时，可以转到内存。这样大家就不用担心显卡的那区区8～12G显存不够用了。但是主板内存的效率，相比显存下降多少，需要测试比较。

根据介绍，我们看到，相比各种国产的套个壳子的芯片或者操作系统，Jittor在底层还是有一定的创新的。

2

前端使用

Jittor后端使用CUDA、C++编译，但前端是Python。前端则非常类似于PyTorch。由于参数保存和数据传输与PyTorch一样，都是用Numpy和Pickle格式，Jittor甚至可以直接加载PyTorch的模型。厉害了吧～

下面是一个两层的全连接网络的搭建和训练示例，相信会用PyTorch的同学，直接import jittor as torch 就可以无缝切换使用了。这个真不是玩笑～

import jittor as jtfrom jittor import Modulefrom jittor import nnclass Model(Module):    def __init__(self):        self.layer1 = nn.Linear(1, 10)        self.relu = nn.Relu()         self.layer2 = nn.Linear(10, 1)    def execute (self,x) :        x = self.layer1(x)        x = self.relu(x)        x = self.layer2(x)        return xdef get_data(n): # generate random data for training test.    for i in range(n):        x = np.random.rand(batch_size, 1)        y = x*x        yield jt.float32(x), jt.float32(y)model = Model()learning_rate = 0.1optim = nn.SGD(model.parameters(), learning_rate)for i,(x,y) in enumerate(get_data(n)):    pred_y = model(x)    loss = ((pred_y - y)**2)    loss_mean = loss.mean()    optim.step (loss_mean)    print(f"step {i}, loss = {loss_mean.data.sum()}")

好像相比PyTorch，唯一的不同就是不需要loss.backward() ，可以说真的基本无缝迁移啊。

Jittor还贴心的给出了PyTorch的转换脚本。笔者想说，这个转换真的是容易呀，虽然他们后台不一样，但是脸，简直就是双胞胎一对啊。所以大家从PyTorch转过来，简直没有学习成本。

关于安装等信息，大家可以去官网查看，这里不再赘述。

3

模型示例

可以说，一个框架能不能火，除框架本身的易用性外，其官方例子，以及开发者是否积极贡献代码，都对一个框架的发展有重要影响。这不，百度Paddle团队就疯狂的实现了各种模型，基本上只要TensorFlow有的，Paddle都会搞一套。

Jittor在上午也同步开源了SSD、DeepLabV3+、LSGAN的完整示例。

• 基本概念：Op, Var

• 元算子：通过元算子实现自己的卷积层

• 自定义算子：使用C++和CUDA编写您的算子，并其进行即时编译

• 示例1：线性回归

• 示例2：MNIST图像分类

• 示例3：图像生成之 LSGAN

• 示例4：语义分割之 DeepLabV3+

• 示例5：目标检测之 SSD

在其实现的VGG16作为Backbone的SSD中，在Pascal数据集上，Jittor的mAP甚至还高千分之一，其推理速度相比PyTorch要快10~50%.

笔者大致看了一下其实现的DeepLabV3+和SSD，写的还是非常好的，初学者可以参考一下它的代码结构。

4

总结

总体来说，Jittor在后端还是下了一番功夫的，其前端也保持和PyTorch基本一模一样的接口，保证了前端的易用性，方便开发者迁移。

不过，在深度学习框架的战国时期，各个训练框架的基本功能单元都很相似，甚至有ONNX这种通用格式，或许训练框架会越来越走向大一统，现在看来PyTorch是风头正盛， TensorFlow也不甘人后，Paddle也在花重金推广。在部署方面，TensorRT、OpenVINO和TVM也基本形成三国鼎力之势，Jittor能否杀出重围，大家可以在评论区发表一下您的看法。

不管怎么说，国货当自强。虽然Caffe、MXNet、TVM都是中国人主导开发的，可惜都是在美国高校和公司开发的。我们祝愿Jittor、PaddlePaddle和一周后发布的旷视MegEngine能做大做强，甚至走出国门，。

往期精彩回顾适合初学者入门人工智能的路线及资料下载机器学习在线手册深度学习在线手册AI基础下载（pdf更新到25集）本站qq群1003271085，加入微信群请回复“加群”获取一折本站知识星球优惠券，请回复“知识星球”喜欢文章，点个在看