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，我国人工智能产业发展迅速，急需构建自己的开源深度学习生态。

122cc太阳集成游戏胡事民教授研究团队提出了一个全新的深度学习框架——计图（Jittor）。Jittor是一个采用元算子表达神经网络计算单元、完全基于动态编译（Just-in-Time）的深度学习框架。

图1 “计图”通过元算子融合实现深度神经网络模型

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。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。

图2 “计图”与其他平台的计算图特性对比

Jittor与国际主流平台相比，具有多项先进特性（图2）。目前ResNet、VGG、SSD、DeepLab、LSGAN等多个网络模型已经在Jittor平台实现，可供用户使用。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（图3）。

图3 Jittor和PyTorch推理与训练速度对比

Jittor的研发得到了国家自然科学基金创新群体项目、北京信息科学与技术国家研究中心团队项目和清华-腾讯联合实验室项目的资助。期望Jittor能为学界和业界提供一个灵活高效的深度学习平台，促进人工智能的研究和应用，赋能人工智能产业。

了解更多信息，请访问“计图（Jittor）”官方网站：https://cg.cs.tsinghua.edu.cn/jittor。