Jittor/jittor

Jittor – 一种即时编译的深度学习框架

是什么 – Jittor 是一个用 C++/CUDA 编写的全栈深度学习库，提供 Python 前端。它将整个计算图 即时编译（JIT）并使用元操作符系统为特定训练模型生成高度优化的内核。其设计遵循 PyTorch/TensorFlow-Eager 中熟悉的动态图风格，您只需编写普通的 Python 代码，框架便会自动将其转换为高效的原生代码。

核心理念

• 即时编译 – 每个操作符及其周围图在运行时即时编译，使编译器能够针对确切的张量形状和硬件生成特化代码。
• 元操作符 – 高层次的构建模块，可组合或自定义，允许用户在不离开 Python 的情况下编写新操作符（例如自定义卷积）。
• 统一图执行 – Jittor 构建动态图，但也能融合操作以实现最佳性能，类似于静态图框架。
• 后端灵活性 – 支持 CPU、NVIDIA CUDA、AMD ROCm 以及 Hygon DCU；核心为 C++/CUDA，用户 API 为纯 Python。

可以做什么

• 无需额外配置即可直接训练经典视觉模型（ResNet、检测、分割、生成模型）。
• 使用提供的模型库，实验可微分渲染、几何深度学习、强化学习等。
• 用 C++/CUDA 编写高性能自定义操作符，并自动进行 JIT 编译。
• 使用内置的 jtune 工具进行性能分析和调优。

安装

• Pip – python -m pip install jittor（Linux 需要 python3-dev 和 libomp-dev）。
• Docker – 预构建镜像 jittor/jittor（仅 CPU）和 jittor/jittor-cuda（GPU）。
• 手动 – 克隆仓库，安装 C++ 编译器（g++ ≥ 5.4 或 clang ≥ 8），安装 Python ≥ 3.7，然后 sudo pip install ./jittor。
• GPU 支持为可选；安装 CUDA 后设置 jt.flags.use_cuda = 1，或在 Windows 上让 Jittor 自动下载。

快速示例（两层回归模型） – README 包含一个最小脚本，展示典型工作流：

import jittor as jt, numpy as np
from jittor import nn, Module

class Model(Module):
    def __init__(self):
        self.l1 = nn.Linear(1, 10)
        self.relu = nn.Relu()
        self.l2 = nn.Linear(10, 1)
    def execute(self, x):
        return self.l2(self.relu(self.l1(x)))

model = Model()
opt = nn.SGD(model.parameters(), lr=0.1)

for x, y in data_generator():
    pred = model(x)
    loss = ((pred - y) ** 2).mean()
    opt.step(loss)
    print('loss', loss.data.item())

代码与 PyTorch 风格模块相似，但底层 Jittor 会 JIT 编译整个前向-反向传播以实现最大速度。

学习资源

• 官方网站和文档： https://cg.cs.tsinghua.edu.cn/jittor/
• 用于基础、元操作符、自定义操作符、性能分析等的交互式笔记本。
• 社区论坛、QQ 群，以及第三方项目“Awesome Jittor”列表。

生态系统

• 模型库涵盖图像分类、检测、分割、生成模型、可微分渲染、几何学习和强化学习。
• 工具：jtune 用于内核调优，性能分析器，以及模型导出/导入工具。
• 可通过自定义 C++/CUDA 操作符和 Python 元操作符扩展。

许可证 – Apache 2.0（参见 LICENSE.txt 文件）。

引用 – 若在研究中使用 Jittor，请引用 README 中提供的 2020 年《中国科学：信息科学》论文。