Jittor 深度学习框架入门（pytorch转换）、对比

1.PyTorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。

中文网站：https://pytorch-cn.readthedocs.io/zh/latest/

2.NumPy（Numerical Python）是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nested list structure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

3.tensorflow

tensorFlow是一个基于数据流编程（dataflow programming）的符号数学系统，被广泛应用于各类机器学习（machine learning）算法的编程实现，其前身是谷歌的神经网络算法库DistBelief。

tensorflow和pytorch都基于caffe而来，并且日趋同化

Caffe，全称Convolutional Architecture for Fast Feature Embedding，是一个兼具表达性、速度和思维模块化的深度学习框架。由伯克利人工智能研究小组和伯克利视觉和学习中心开发。虽然其内核是用C++编写的，但Caffe有Python和Matlab 相关接口。Caffe支持多种类型的深度学习架构，面向图像分类和图像分割，还支持CNN、RCNN、LSTM和全连接神经网络设计。Caffe支持基于GPU和CPU的加速计算内核库，如NVIDIA cuDNN和Intel MKL。

对比：

pytorch 轻量、灵活，使用动态图描述神经网络

动态图分为静态的子图和控制流，控制流控制宏观上调用哪些子图，静态包含Module和Function，Function包含自动微分相关管理，Module在此基础上管理权重。

控制流使用python 的控制流，在Module的forward中使用python描述控制流程。

tensorflow早期使用静态图描述神经网络，但缺乏控制流。目前是加一些控制流的op（用静态图打一些补丁把动态的部分包装成一个op，但不灵活。用户层面使用较多的是python描述控制流。

pytorch的做法是引入Torchscript，用python修饰符将用户描述控制流转为Torchscript控制流，同时转换为后端，以便部署。

4.jittor

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前端语言为Python。前端使用了模块化的设计，类似于PyTorch，Keras，后端则使用高性能语言编写，如CUDA，C++。

https://cg.cs.tsinghua.edu.cn/jittor/assets/docs/jittor.html

pytorch->jittor模型辅助转换工具教程

http://cg.cs.tsinghua.edu.cn/jittor/tutorial/2020-5-2-16-43-pytorchconvert/

from jittor.utils.pytorch_converter import convert

pytorch_code=
"""
class AdaptiveAvgPool2d(nn.Module):

"""
jittor_code = convert(pytorch_code)
print(jittor_code)

在线转换：

http://cg.cs.tsinghua.edu.cn/jittor/pt_converter/