支持Windows CUDA、Mac M1、全面支持国产生态!Jittor 1.3版本发布

2021/10/01 Tutorial

支持Windows CUDA、Mac M1、全面支持国产生态!Jittor 1.3版本发布

2020年3月20日,清华大学开源了深度学习框架 计图(Jittor)后,计图团队陆续发布了GAN模型库、语义分割模型库、检测与实例分割库、3D点云库、可微渲染库和遥感图像库等。

9月30日,Jittor 1.3版本正式发布,该版本将Jittor的动态编译加速、元算子融合、统一计算图等特性带到了Windows、Mac以及多种国产操作系统上 (统信、普华、麒麟、龙芯Loongnix等),并适配了多种硬件,如Windows上的Nvidia显卡,苹果M1、国产CPU (龙芯、飞腾、申威、鲲鹏等)。

这是继可微渲染库JRender2.0,计图遥感检测库JDet之后,Jittor框架的又一重大更新,让更多的研究人员和开发者可以在原生操作系统上体验计图深度学习框架,降低开发成本。

下面介绍Windows、Mac、国产OS上,Jittor的安装与应用。欢迎大家使用并向我们提出宝贵的意见与建议。

Windows安装

在Windows上的安装方法如下,目前Windows的依赖环境如下:

  • Python:版本 >= 3.8

       建议从Python官网安装:

https://www.python.org/downloads/windows/
  • x86_64处理器

  • Windows 10及以上

  • 可选:Nvidia显卡,驱动版本>400,10xx系之后的显卡

使用如下命令即可安装Windows版本Jittor:

    # 检查您的python版本是否大于等于3.8
    python --version
    # 通过pip安装jittor
    python -m pip install jittor>=1.3
    安装成功后,您可以通过如下命令测试Jittor是否安装成功:
      # 检查Python内核
      python -m jittor.test.test_core
      # 训练双层神经网络
      python -m jittor.test.test_example
      # 如果您电脑包含Nvidia显卡,检查cudnn加速库
      python -m jittor.test.test_cudnn_op
      运行成功的提示界面如下:

      Mac安装

      目前Mac同时支持intel cpu和M1 cpu,环境的依赖如下:

      • Python:版本 >= 3.7

      • x86_64处理器或M1处理器

      • homebrew:https://brew.sh

      先通过homebrew安装python依赖:

      brew install python@3.7 onednn libomp

      之后您可以通过 pip 安装 jittor,并测试是否可以成功运行。

      # 检查Python内核python3 -m jittor.test.test_core# 训练双层神经网络python3 -m jittor.test.test_example

      运行界面提示如下:

      国产操作系统安装

      如果您已经预先安装国产操作系统(统信、普华、麒麟、龙芯Loongnix等),您需要先准备依赖如下:
      • Python:版本 >= 3.7

      • g++版本>=5.4

      直接通过pip安装即可:

      # 通过pip安装jittorpython -m pip install jittor>=1.3

      执行测试:

      # 检查Python内核python -m jittor.test.test_core# 训练双层神经网络python -m jittor.test.test_example

      如果在安装和使用过程中出现问题,欢迎向我们反馈,您可以通过邮件jittor@qq.com或者QQ群(761222083)联系我们。

      欢迎您通过下方二维码加入Jittor开发者交流群,交流Jittor开发心得,并用Jittor框架开展研究工作。

      祝大家国庆节快乐!

      GGC往期回顾

      1.  彭群生、王文平、Yuki Koyama分获亚洲图形学学会2021年度三项大奖
      2.  计图开源:纹理网格模型生成方法TM-NET
      3.  CVM 2022投稿日期推迟了,录取的论文全部推荐到TVCG和CVMJ等期刊发表
      4.  支持遥感图像了,Jittor开源物体检测算法库JDet
      5.  计图团队首创三角网格面片上的卷积神经网络、图像上的网络架构可以做三维模型的深度学习了!

      您可通过下方二维码,关注清华大学图形学实验室,了解计算机图形学、Jittor深度学习框架、CVMJ期刊和CVM会议的相关资讯。

      Search

        Table of Contents