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

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

深度学习框架—计图（Jittor），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

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。

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。

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文档。

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;

}"""

)

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。

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)和提供的文档，计图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。

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，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：

• 模型辅助转换工具教程
• 计图多卡分布式教程
• 利用Code算子简化高性能算子开发

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