近些年，以深度学习为代表的人工智能相关技术发展迅速。实际上，正是各种深度学习框架的推出，极大降低了深度学习研究和应用的门槛，使人工智能技术能快速落地，在各行各业都得到很多成功的应用。而研制推广国产框架对构建我国人工智能的生态有重大意义。清华大学于2020年3月20日发布计图(Jittor)深度学习框架，受到了各界的广泛关注和使用。Jittor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， 元算子和 Numpy 一样易于使用，并且超越Numpy 能够实现更复杂更高效的操作。而统一计算图则是融合了静态计算图和动态计算图的诸多优点，在易于使用的同时，提供高性能的优化。基于元算子开发的深度学习模型，可以被Jittor实时地自动优化并且运行在指定的硬件上，如CPU，GPU，TPU。为了帮助用户快速上手计图，Jittor团队联合头歌平台发布计图深度学习框架实践课程。本课程全面、系统地介绍了Jittor 深度学习框架的基础模块、模型训练测试流程、基础网络结构编写、计算机视觉任务实现以及模型库的使用。学习本课程需要有一定的Python 编程基础以及一定的深度学习基础。https://www.educoder.net/paths/89rcg6jn教程分为基础、进阶、高阶、实战四大模块，详细介绍如下。本章节讲述 Jittor深度学习框架基础内容，包括基本数据的操作、神经网络模块定义、经典骨干网络调用与预训练权重加载、损失函数与优化器定义、数据集构建、模型训练等等。
二、 Jittor深度学习框架进阶
本章节通过线性回归、手写数字分类以及 CIFAR 10 分类三个简单的任务实践前一章的基础内容，即模型定义、数据构建、模型训练以及模型测试。 
三、 Jittor深度学习框架高阶
本章节讲述如何使用Jittor深度学习框架复现经典神经网络(包括 CNN 与 Transformer)。同时通过一些计算机视觉任务如图像生成、语义分割以及目标检测进一步巩固如何使用计图完成模型设计、训练和测试的整个流程。 
四、 Jittor深度学习框架实战
本章节讲述如何使用Jittor深度学习框架的一些常用的模型仓库，包括神经渲染库、 可微渲染库、语义分割库、生成对抗模型库、目标检测库以及点云库。 
欢迎大家使用计图教学课程！
如果大家在使用实践课程的过程中发现任何问题，请在github的Jittor仓库提交issue或者pr，也可以加入计图开发者交流群，交流群的QQ号：76122083，欢迎大家进群交流。
也欢迎计图开发者登录计图论坛，https://discuss.jittor.org/，提问或发表观点。
GGC往期回顾
您可通过下方二维码，关注清华大学计算机系图形学实验室，了解计算机图形学、Jittor框架、CVMJ期刊及会议的相关资讯。
