清华深度学习框架Jittor开源，创新推理速度可提升50%

近日，清华大学计算机系图形实验室宣布开源全新的深度学习框架：计图（英文名：Jittor），这也是我国首个高校自研的开源深度学习框架。

根据官网介绍，这是一个完全基于动态编译（Just-in-time）、内部使用创新的元算子和统一计算图的深度学习框架。

根据官方给出的特性对比来看，Jittor 与国际主流平台相比，具有多项先进特性。与同类型框架相比，Jittor 在收敛精度一致情况下，推理速度取得了 10%-50% 的性能提升。

两大核心创新点：元算子和统一计算图

据官网介绍，Jittor 有三个主要的设计理念：

1. 易用且可定制：只需要数行代码，就可定义新的算子和模型。
2. 实现与优化分离：可以通过前端接口专注于实现，而实现自动被后端优化。
3. 所有都是即时的：Jittor 的所有代码都是即时编译并且运行的，包括 Jittor 本身。用户可以随时对 Jittor 的所有代码进行修改，并且动态运行。

而这些理念以及最终实现的能力，要归功于 Jittor 的两大核心创新点：元算子和统一计算图。

了解深度学习的朋友可能知道，深度学习采用的卷积神经网络是由算子（Operator）组成的一个计算网络。由于架构设计和不断扩充等原因，当前深度学习框架有多达 2000 种算子，系统复杂，优化和移植困难。

Jittor 则将算子运算进一步分解，形成了更加底层的三类 20 余种元算子闭包，目前神经网络常用算子均可以使用元算子的组合进行表达。

另一方面，为了面向未来深度学习框架的发展趋势，Jittor 利用元算子组合表达的优势，提出统一计算图进行优化，并从底层开始设计了一个全新的动态编译架构。

该架构支持多种编译器，实现了所有代码的即时编译和动态运行，确保了实现和优化分离，大幅提升了应用开发灵活性、可拓展性和可移植性。

其次，在算子的设置上，团队将元算子的反向传播进行了闭包，即元算子的反向传播也是元算子。这样避免了重复开发。此外，还支持计算任意高阶导数。

根据官方给出的 Jittor 与其他平台的计算图特性对比来看，Jittor 与国际主流平台相比，具有多项先进特性。

与同类型框架相比，Jittor 在收敛精度一致情况下，推理速度取得了 10%-50% 的性能提升。

在编程语言方面，Jittor 前端语言选择了 Python。前端使用了模块化的设计，类似于 PyTorch，Keras，用户可以编写元算子计算的 Python 代码，然后 Jittor 将其动态编译为 C++，从而提升性能。

后端则直接使用高性能语言编写，如 CUDA，C++。

总 结

深度学习技术正广泛应用于人工智能的各个领域，如计算机视觉、机器翻译、自然语言处理、智能机器人等，取得了前所未有的突破。

当前，一方面，随着深度学习新技术的出现、任务复杂度的提高，易于扩展同时保持高效的架构成为发展趋势；另一方面，随着我国人工智能产业发展迅速，我们需要构建一个属于自己的开源深度学习生态，这也是一个绝好的机会。

尽管以 TensorFlow、PyTorch 等为代表的开源框架已经取得了一定程度上的成功，而我国在这一领域发展起步较晚，目前存在着一定的劣势。但单就开源框架来看，不论是底层的核心技术能力还是针对具体应用场景的解决能力，都还有着很大的提升空间。

希望国内的科技企业和研究机构可以奋起直追，不再在核心技术上被别人「卡脖子」。