计图(Jittor)发布1.1版本：新增骨干网络、JIT功能升级、支持多卡训练

清华大学深度学习框架—计图（Jittor）于3月20日发布后，研发团队收到了大量的反馈，感谢大家的关注与支持。

经过研发团队的努力，Jittor的新版本V1.1上线了。主要变化包括：

增加了大量骨干网络的支持，增强了辅助转换脚本的能力，降低用户开发和移植模型的难度。
JIT（动态编译）功能升级，可支持高性能的自定义算子开发，并降低了用户开发自定义算子的难度。
新增分布式功能，用户无需修改代码，只需要修改启动命令，单卡版本的训练程序可以直接无缝部署到多卡甚至多机上。

此外，Jittor还新增支持了大量神经网络算子，完善了对深度神经网络开发的支持。

新增骨干网络

本次发布的Jittor 1.1版本在模型库中新增了大量基础骨干网络，用户可以基于这些基础骨干网络搭建自己的深度学习模型。这些骨干网络参数与PyTorch参数格式兼容，可以相互加载调用，方便用户学习和迁移。

本次更新的骨干网络包括：

import jittor.models
from jittor.models import \
    alexnet, \
    googlenet, \
    inception_v3, \
    mnasnet, \
    mobilenet_v2, \
    resnext101_32x8d, \
    shufflenetv2, \
    squeezenet, \
    wide_resnet101_2

# 更多主干网络支持请参考
print(dir(jittor.models))

下面是对AlexNet、VGG、ResNet、Wide ResNet和SqueezeNet等多种骨干网络，在不同的batch size下，Jittor与PyTorch的单次前向性能对比，图1中横轴为不同Batch size，纵轴为FPS(每秒处理的图像数)。实验环境为：GPU为1080ti，显存11GB，CPU为i7-6850K，内存32GB，使用32位浮点数计算。

可以看出Jittor在这些常用骨干网络上的速度非常可观，大多数网络Jittor会有速度的提升。欢迎大家使用Jittor来加速自己的模型。后续的版本中，Jittor将不断增加对更多骨干网络的支持，敬请期待。

增强辅助转换脚本

此次更新还提供了简单的辅助转换脚本，支持从PyTorch转换模型代码，暂不支持模型以外代码，下面是一个简单的实例：

from jittor.utils.pytorch_converter import convert
pytorch_code = """
class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv2d(1, 10, 3)
        self.conv2 = nn.Conv2d(10, 32, 3)
        self.fc = nn.Linear(1200, 100)
    
    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x
"""
jittor_code = convert(pytorch_code)
print("## Generate Jittor code:", jittor_code)
exec(jittor_code)
model = Model()
print("## Jittor model:", model)

上面的脚本将输出计图模型代码，以及一个可用的模型：

## 生成的计图代码:
import jittor as jt
from jittor import init
from jittor import nn

class Model(nn.Module):

    def __init__(self):
        super().__init__()
        self.conv1 = nn.Conv(1, 10, 3)
        self.conv2 = nn.Conv(10, 32, 3)
        self.fc = nn.Linear(1200, 100)

    def execute(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view((x.shape[0], (- 1)))
        x = self.fc(x)
        return x

## 计图模型:
Model(
    conv1: Conv(1, 10, (3, 3), (1, 1), (0, 0), (1, 1), groups=1, bias=float[10,])
    conv2: Conv(10, 32, (3, 3), (1, 1), (0, 0), (1, 1), groups=1, bias=float[32,])
    fc: Linear(1200, 100, float32[100,], None)
)

关于模型转换脚本的详细使用请参考计图官方教程。

JIT功能升级

Jittor 1.1版本的 JIT(动态编译)功能的增强，主要体现在code算子的功能增强上。Code算子是一个基于高性能语言的动态编译算子，允许用户直接在Python中内联C++/CUDA代码，只需要寥寥数行代码，就可以完成高性能的自定义算子开发，降低用户开发自定义算子的难度。

下面的实例展示了如何使用code算子，使用数行代码实现三维点云中十分常用的K近邻查找。Code算子的设计和实现让用户既可以享受到Python语言的便捷与易用性，又可以获得高性能语言的性能。

a = jt.random((n,3))
b = jt.code([n, k], "int32", [a], 
cpu_header="#include <algorithm>",
cpu_src="""
  using namespace std;
  auto n=out_shape0, k=out_shape1;
  // 使用openmp实现自动并行化
  #pragma omp parallel for
  for (int i=0; i<n; i++) {
    // 存储k近邻的距离和下标
    vector<pair<float,int>> id(n);
    for (int j=0; j<n; j++) {
      auto dx = @in0(i,0)-@in0(j,0);
      auto dy = @in0(i,1)-@in0(j,1);
      auto dz = @in0(i,2)-@in0(j,2);
      id[j] = {dx*dx+dy*dy+dz*dz, j};
    }
    // 使用c++算法库的nth_element排序
    nth_element(id.begin(), 
      id.begin()+k, id.end());
    // 将下标输出到计图的变量中
    for (int j=0; j<k; j++)
      @out(i,j) = id[j].second;
  }"""
)

我们将计图使用code算子实现的K近邻查找，和PyTorch的算子用时进行比较，速度对比如下（k=10,点云数量n=[100,1000,10000]）：

参数	n=100	n=1000	n=10000
PyTorch	433 µs	7.6 ms	623 ms
Jittor	68 µs	5.9 ms	484 ms
速度对比	6.4X	1.29X	1.29X

注：此处使用的K近邻算法为暴力算法，还存在更优的算法实现，由于文章篇幅有限，此处仅用于展示Code算子的使用。

本次更新大幅度提升了code算子的易用性和可读性，主要包含以下几点：

code 算子可以有多个输出
code 算子允许输出动态大小的变量
code 算子内部可以写注释
code 算子可以通过@alias为input和outputs增加别名，增加代码可读性

具体文档请参考help(jt.code)和我们提供的教程，计图为您提供了多种实例以供参考。目前内联C++代码支持CUDA和openmp，未来会加入更多语言和库的支持，敬请期待。

分布式接口

计图本次分布式更新主要基于MPI（Message Passing Interface），依赖OpenMPI，用户可以使用如下命令安装OpenMPI：

sudo apt install openmpi-bin openmpi-common libopenmpi-dev

OpenMPI安装完成以后，用户无需修改代码，需要做的仅仅是修改启动命令行，计图就会用数据并行的方式自动完成并行操作。

# 单卡训练代码
python3.7 -m jittor.test.test_resnet
# 分布式多卡训练代码
mpirun -np 4 python3.7 -m jittor.test.test_resnet
# 指定特定显卡的多卡训练代码
CUDA_VISIBLE_DEVICES="2,3" mpirun -np 2 python3.7 -m jittor.test.test_resnet

这种便捷性的背后是计图的分布式算子的支撑，计图支持的mpi算子后端会使用nccl进行进一步的加速。计图所有分布式算法的开发均在Python前端完成，这让分布式算法的灵活度增强，开发分布式算法的难度也大大降低。下面的代码是使用计图实现分布式同步批归一化层的实例代码：

def execute(self, x):
    if self.is_train:
        xmean = jt.mean(x, dims=[0,2,3], keepdims=1)
        x2mean = jt.mean(x*x, dims=[0,2,3], keepdims=1)
        if self.sync and jt.mpi:
            xmean = xmean.mpi_all_reduce("mean")
            x2mean = x2mean.mpi_all_reduce("mean")

        xvar = x2mean-xmean*xmean
        norm_x = (x-xmean)/jt.sqrt(xvar+self.eps)
        self.running_mean += (xmean.sum([0,2,3])-self.running_mean)*self.momentum
        self.running_var += (xvar.sum([0,2,3])-self.running_var)*self.momentum
    else:
        running_mean = self.running_mean.broadcast(x, [0,2,3])
        running_var = self.running_var.broadcast(x, [0,2,3])
        norm_x = (x-running_mean)/jt.sqrt(running_var+self.eps)
    w = self.weight.broadcast(x, [0,2,3])
    b = self.bias.broadcast(x, [0,2,3])
    return norm_x * w + b

这次更新，我们开放了mpi算子的稳定接口，用户可以自行使用mpi算子开发所需的自定义的分布式算法，相关文档请参考help(jittor.mpi.ops)和计图分布式教程。基于这些mpi算子接口，研发团队已经集成了如下三种分布式相关的算法：

分布式数据并行加载
分布式优化器
分布式同步批归一化层

其他更新

教程更新列表：

算子更新列表：

group conv
三角函数，反三角函数，双曲函数，反双曲函数支持
flatten
view
permute
adapool
PReLU
LeakyReLU
ReLU6
ReflectionPad2d
ZeroPad2d
ConstantPad2d
ReplicationPad2d
PixelShuffle
Upsample

损失函数更新列表：

MSELoss
BCELoss
L1Loss
BCEWithLogitsLoss

分布式相关算子：

mpi_all_reduce
mpi_reduce
mpi_broadcast
nccl_all_reduce
nccl_reduce
nccl_broadcast

安装与反馈

计图的安装请参考：https://cg.cs.tsinghua.edu.cn/jittor/download/

如果您在使用中碰到任何问题，欢迎邮件联系我们：jittor@qq.com，或者在计图的Github发布issue。

更多信息，请参见我们的主页：https://cg.cs.tsinghua.edu.cn/jittor/

感谢各位用户的支持和建议，计图研发团队将会持续不断地发布新特性和内容，请关注我们的实验室公众号：“图形学与几何计算”。

计图(Jittor)发布1.1版本：新增骨干网络、JIT功能升级、支持多卡训练