Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.

https://github.com/Jittor/jittor

Jittor is a high-performance deep learning framework based on JIT compiling and meta-operators.
https://github.com/Jittor/jittor

cuda deep-learning gpu jittor python

Last synced: 2 months ago
JSON representation

Jittor is a high-performance deep learning framework based on JIT compiling and meta-operators.

Host: GitHub
URL: https://github.com/Jittor/jittor
Owner: Jittor
License: apache-2.0
Created: 2020-03-18T14:06:07.000Z (over 4 years ago)
Default Branch: master
Last Pushed: 2024-04-10T04:12:47.000Z (3 months ago)
Last Synced: 2024-04-10T05:41:41.778Z (3 months ago)
Topics: cuda, deep-learning, gpu, jittor, python
Language: Python
Homepage: https://cg.cs.tsinghua.edu.cn/jittor/
Size: 18.5 MB
Stars: 2,987
Watchers: 62
Forks: 296
Open Issues: 242
Metadata Files:
- Readme: README.cn.md
- Changelog: CHANGELOG.md
- License: LICENSE.txt

Lists

awesome-stars - Jittor/jittor - Jittor is a high-performance deep learning framework based on JIT compiling and meta-operators. (Python)
awesome-deep-reinforcement-learning - jittor
Awesome-Vision-Attentions - Jittor
awesome-stars - Jittor/jittor - Jittor is a high-performance deep learning framework based on JIT compiling and meta-operators. (Python)
awesome-stars - Jittor/jittor - Jittor is a high-performance deep learning framework based on JIT compiling and meta-operators. (Python)
awesome - jittor - Jittor is a high-performance deep learning framework based on JIT compiling and meta-operators. (Python)
awesome-stars - Jittor/jittor - `★3028` Jittor is a high-performance deep learning framework based on JIT compiling and meta-operators. (Python)
awesome-stars - Jittor/jittor - `★3028` Jittor is a high-performance deep learning framework based on JIT compiling and meta-operators. (Python)

README

        # Jittor: 即时编译深度学习框架

![Jittor Logo](https://cg.cs.tsinghua.edu.cn/jittor/favicon_package_v0/JittorLogo_Final1220.svg)

[快速开始](#快速开始) | [安装](#安装) | [教程](#教程) | [English](./README.md)

Jittor 是一个基于即时编译和元算子的高性能深度学习框架，整个框架在即时编译的同时，还集成了强大的Op编译器和调优器，为您的模型生成定制化的高性能代码。Jittor还包含了丰富的高性能模型库，涵盖范围包括：图像识别，检测，分割，生成，可微渲染，几何学习，强化学习等等。

Jittor前端语言为Python。前端使用了模块化和动态图执行的设计，这是目前最主流的深度学习框架接口设计。后端则使用高性能语言编写，如CUDA，C++。

相关链接：

*  [Jittor官网](https://cg.cs.tsinghua.edu.cn/jittor/)

*  [Jittor教程](https://cg.cs.tsinghua.edu.cn/jittor/tutorial/)

*  [Jittor模型库](https://cg.cs.tsinghua.edu.cn/jittor/resources/)

*  [Jittor文档](https://cg.cs.tsinghua.edu.cn/jittor/assets/docs/index.html)

*  [Github](https://github.com/jittor/jittor)， [GitLink](https://www.gitlink.org.cn/jittor/jittor)， [Gitee](https://gitee.com/jittor/jittor)

*  [Jittor 论坛](https://discuss.jittor.org/)

*  [Jittor 精选仓库](https://github.com/Jittor/jittor/blob/master/AWESOME-JITTOR-LIST.md)

*  即时通信: QQ Group(761222083)

下面的代码演示了如何一步一步使用Python代码，从头对一个双层神经网络建模。

```python

import jittor as jt

from jittor import Module

from jittor import nn

import numpy as np

class Model(Module):

    def __init__(self):

        self.layer1 = nn.Linear(1, 10)

        self.relu = nn.Relu() 

        self.layer2 = nn.Linear(10, 1)

    def execute (self,x) :

        x = self.layer1(x)

        x = self.relu(x)

        x = self.layer2(x)

        return x

def get_data(n): # generate random data for training test.

    for i in range(n):

        x = np.random.rand(batch_size, 1)

        y = x*x

        yield jt.float32(x), jt.float32(y)

learning_rate = 0.1

batch_size = 50

n = 1000

model = Model()

optim = nn.SGD(model.parameters(), learning_rate)

for i,(x,y) in enumerate(get_data(n)):

    pred_y = model(x)

    dy = pred_y - y

    loss = dy * dy

    loss_mean = loss.mean()

    optim.step(loss_mean)

    print(f"step {i}, loss = {loss_mean.data.sum()}")

```

## 大纲

- [快速开始](#快速开始)

- [安装](#安装)

- [教程](#教程)

- [贡献](#贡献)

- [团队](#团队)

- [版权声明](#版权声明)

## 快速开始

我们提供了一些jupyter notebooks来帮助您快速入门Jittor。

- [示例：模型定义与训练][1]

- [基础：Op, Var][2]

- [元算子：通过元算子实现自己的卷积层][3]

## 安装

Jittor框架对环境要求如下:

| OS                                                     | CPU                                 | Python | Compiler     | (Optional) GPU platform                                |

|--------------------------------------------------------|-------------------------------------|--------|--------------|---------------------------------------------|

| Linux
(Ubuntu, CentOS, Arch, 
UOS, KylinOS, ...) | x86 
x86_64 
ARM 
loongson | >= 3.7 | g++ >=5.4    | Nvidia CUDA >= 10.0, [cuDNN](https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#installlinux-tar) 
 or [AMD ROCm](https://docs.amd.com/) >= 4.0 
 or [Hygon DCU DTK](https://tycloud.hpccube.com/doc/1.0.6/11277/general-handbook/software-tutorial/jittor.html) >= 22.04 |

| macOS 
(>= 10.14 Mojave)                            | intel
Apple Silicon              | >= 3.7 | clang >= 8.0 | -                                           |

| Windows 10 & 11                                        | x86_64                              | [>= 3.8](https://www.python.org/downloads/windows/) | -            | Nvidia CUDA >= 10.2 [cuDNN](https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#install-windows)                               |

Jittor 提供了三种安装方法：pip、docker和手动安装：

## Pip 安装

下面将展示Ubuntu的安装命令，如果您在使用其他Linux操作系统（如CentOS）， 请安装好依赖（Python>=3.7, g++>=5.4）或者使用**docker安装**， 如果您已经装好编译器和对应版本的Python,我们强烈推荐您使用这种方法

(如果无法访问github, 可以通过Jittor主页下载):

```bash

sudo apt install python3.7-dev libomp-dev

python3.7 -m pip install jittor

# or install from github(latest version)

# python3.7 -m pip install git+https://github.com/Jittor/jittor.git

python3.7 -m jittor.test.test_example

```

如果测试运行通过,恭喜你已经安装完成.

jittor会自动在路径中寻找合适的编译器, 如果您希望手动指定编译器, 请使用环境变量 `cc_path` 和 `nvcc_path`(可选).

### macOS 安装

macOS 请使用 [homebrew](https://brew.sh) 安装额外的依赖。

```bash

brew install libomp

```

之后您可以通过 pip 安装 jittor，并测试是否可以成功运行。

```bash

python3.7 -m pip install jittor

python3.7 -m jittor.test.test_example

```

目前在 macOS 中，jittor 只支持 CPU 计算。

### Windows安装

Windows 请准备好Python>=3.8，安装方法如下(conda安装需要额外命令)：

Windows user please prepare Python>=3.8, install instructions are list below(conda needs extra instructions)：

```bash

# check your python version(>=3.8)

python --version

python -m pip install jittor

# if conda is used

conda install pywin32

```

Windows 下，jittor会自动检测显卡并安装对应的 CUDA， 请确保您的NVIDIA驱动支持CUDA 10.2 以上，您还可以使用如下命令手动为Jittor安装CUDA：

```bash

python -m jittor_utils.install_cuda

```

## Docker 安装

我们提供了Docker安装方式，免去您配置环境，Docker安装方法如下：

```

# CPU only(Linux)

docker run -it --network host jittor/jittor

# CPU and CUDA(Linux)

docker run -it --network host --gpus all jittor/jittor-cuda

# CPU only(Mac and Windows)

docker run -it -p 8888:8888 jittor/jittor

```

关于Docker安装的详细教程，可以参考[Windows/Mac/Linux通过Docker安装计图](https://cg.cs.tsinghua.edu.cn/jittor/tutorial/2020-5-15-00-00-docker/)

## 手动安装

我们将逐步演示如何在Ubuntu 16.04中安装Jittor，其他Linux发行版可能可以使用类似的命令。

### 步骤一：选择您的后端编译器

```bash

# g++

sudo apt install g++ build-essential libomp-dev

# OR clang++-8

wget -O - https://raw.githubusercontent.com/Jittor/jittor/master/script/install_llvm.sh > /tmp/llvm.sh

bash /tmp/llvm.sh 8

```

### 步骤二：安装Python和python-dev

Jittor需要python的版本>=3.7。

```bash

sudo apt install python3.7 python3.7-dev

```

### 步骤三：运行Jittor

整个框架是即时编译的。 让我们通过pip安装jittor

```bash

git clone https://github.com/Jittor/jittor.git

sudo pip3.7 install ./jittor

export cc_path="clang++-8"

# if other compiler is used, change cc_path

# export cc_path="g++"

# export cc_path="icc"

# run a simple test

python3.7 -m jittor.test.test_example

```

如果通过了测试，那么您的Jittor已经准备就绪。

### 可选步骤四：启用CUDA

在Jittor中使用CUDA非常简单，只需设置环境值`nvcc_path`

```bash

# replace this var with your nvcc location 

export nvcc_path="/usr/local/cuda/bin/nvcc" 

# run a simple cuda test

python3.7 -m jittor.test.test_cuda 

```

如果测试通过，则可以通过设置`use_cuda`标识符在Jittor中启用CUDA。

```python

import jittor as jt

jt.flags.use_cuda = 1

```

### 可选步骤五：测试训练Resnet18

要检查Jittor的完整性，您可以运行Resnet18训练测试。需要注意的是，这个测试需要6G显存。

```bash

python3.7 -m jittor.test.test_resnet

```

如果这些测试失败，请为我们报告错误，我们十分欢迎您为Jittor做出贡献^ _ ^

## 教程

在教程部分，我们将简要解释Jittor的基本概念。

要使用Jittor训练模型，您需要了解两个主要概念：

* Var：Jittor的基本数据类型

* Operations：Jittor的算子与numpy类似

### 数据类型

首先，让我们开始使用Var。Var是jittor的基本数据类型，为了运算更加高效Jittor中的计算过程是异步的。 如果要访问数据，可以使用`Var.data`进行同步数据访问。

```python

import jittor as jt

a = jt.float32([1,2,3])

print (a)

print (a.data)

# Output: float32[3,]

# Output: [ 1. 2. 3.]

```

此外我们可以给变量起一个名字。

```python

a.name('a')

print(a.name())

# Output: a

```

### 数据运算

 Jittor的算子与numpy类似。 让我们尝试一些运算， 我们通过Op`jt.float32`创建Var `a`和`b`，并将它们相加。 输出这些变量相关信息，可以看出它们具有相同的形状和类型。

```python

import jittor as jt

a = jt.float32([1,2,3])

b = jt.float32([4,5,6])

c = a*b

print(a,b,c)

print(type(a), type(b), type(c))

# Output: float32[3,] float32[3,] float32[3,]

# Output:   

```

除此之外，我们使用的所有算子`jt.xxx(Var,...)`都具有别名`Var.xxx(...)`。 例如：

```python

c.max() # alias of jt.max(c)

c.add(a) # alias of jt.add(c, a)

c.min(keepdims=True) # alias of jt.min(c, keepdims=True)

```

如果您想知道Jittor支持的所有运算，可以运行`help(jt.ops)`。 您在`jt.ops.xxx`中找到的所有运算都可以通过别名`jt.xxx`。

```python

help(jt.ops)

# Output:

#   abs(x: core.Var) -> core.Var

#   add(x: core.Var, y: core.Var) -> core.Var

#   array(data: array) -> core.Var

#   binary(x: core.Var, y: core.Var, op: str) -> core.Var

#   ......

```

### 更多教程

如果您想进一步了解Jittor，请查看以下notebooks：

* 快速开始

    * [示例：模型定义与训练][1]

    * [基本概念：Op, Var][2]

    * [元算子：通过元算子实现自己的卷积层][3]

* 进阶

    * [自定义算子：使用C ++和CUDA编写您的算子，并其进行即时编译][4]

    * [性能分析器：分析您的模型][5]

    * Jtune：性能调优工具

[1]: python/jittor/notebook/example.src.md	"示例"

[2]: python/jittor/notebook/basics.src.md	"基本概念"

[3]: python/jittor/notebook/meta_op.src.md	"元算子"

[4]: python/jittor/notebook/custom_op.src.md	"自定义算子"

[5]: python/jittor/notebook/profiler.src.md	"性能分析器"

这些notebooks可以通过python3.7 -m jittor.notebook在您自己的计算机中运行。

## 贡献

Jittor还很年轻。 它可能存在错误和问题。 请在我们的错误跟踪系统中报告它们。 我们欢迎您为Jittor做出贡献。 此外，如果您对Jittor有任何想法，请告诉我们。

您可以用以下方式帮助Jittor：

* 在论文中引用 Jittor

* 向身边的好朋友推荐 Jittor

* 贡献代码

* 贡献教程和文档

* 提出issue

* 回答 jittor 相关问题

* 点亮小星星

* 持续关注 jittor

* ……

## 联系我们

官方主页： http://cg.cs.tsinghua.edu.cn/jittor/

电子邮件：[email protected]

提出issue：https://github.com/Jittor/jittor/issues

QQ 群：761222083

## 团队

Jittor目前由[清华大学计算机图形学组](https://cg.cs.tsinghua.edu.cn/)维护。 如果您也对Jittor感兴趣并希望对其进行改进，请加入我们！

## 引用

```

@article{hu2020jittor,

  title={Jittor: a novel deep learning framework with meta-operators and unified graph execution},

  author={Hu, Shi-Min and Liang, Dun and Yang, Guo-Ye and Yang, Guo-Wei and Zhou, Wen-Yang},

  journal={Science China Information Sciences},

  volume={63},

  number={222103},

  pages={1--21},

  year={2020}

}

```

## 版权声明

如LICENSE.txt文件中所示，Jittor使用Apache 2.0版权协议。