計圖（Jittor）是一個完全基于動態編譯（Just-in-time），內部使用創新的元算子和統一計算圖的深度學習框架。元算子和 Numpy 一樣易于使用，而統一計算圖則是融合了靜態計算圖和動態計算圖的諸多優點，在易于使用的同時，提供高性能的優化。基于元算子開發的深度學習模型，可以被計圖實時的自動優化并且運行在指定的硬件上，如 CPU、GPU。

特性：

• 算子動態編譯：Jittor 內置元算子編譯器，可以將用戶通過元算子編寫的 Python 代碼，動態編譯成高性能的C++ 代碼。
• 自動優化：jittor 內置優化編譯遍（complier pass），同時和 LLVM 兼容，這些編譯遍會根據硬件設備自動優化動態編譯的代碼，常見的優化編譯遍有循環重排、循環分裂、循環融合、數據打包、向量化、GPU并行。這些編譯遍對 C++ 代碼進一步優化，生成對計算設備友好的底層算子。
• 統一內存管理：Jittor 使用了統一內存管理，統一 GPU 與 CPU 之間的內存，當深度學習模型將 GPU 內存耗盡時，將使用 CPU 內存來彌補。
• 高效同步異步接口：Jittor 同時提供兩種接口，同步和異步接口之間切換不會產生性能損失。
• 模型遷移：Jittor 采用和 PyTorch 相似的模塊化接口，同時提供輔助轉換腳本，可將 PyTorch 的代碼轉換成 Jittor 的模型，并可以相互加載和調用。
• 元算子融合：可將神經網絡的基本算子（元算子）融合成復雜算子，如卷積層、歸一化層，進一步構成神經網絡和深度學習應用。
• 高階導數以及反向傳播閉包：元算子是反向傳播閉包（元算子反向傳播也是元算子），同時支持計算任意高階導數。在深度學習算子開發過程中，免去反向傳播算子重復開發工作，同時可以使用統一的優化策略。

安裝：

Jittor前端語言為Python，使用了模塊化的設計，類似于PyTorch，Keras；后端則使用高性能語言編寫，如CUDA，C++。當前Jittor支持三種即時編譯器：

• CPU 編譯器 （需要下列至少一個）
  • g++ （>=5.4.0）
  • clang （>=8.0）推薦
• GPU 編譯器（可選）
  • nvcc（>=10.0）