mirror of https://github.com/Jittor/Jittor
387 lines
9.8 KiB
Markdown
387 lines
9.8 KiB
Markdown
# Jittor: 即时编译深度学习框架
|
||
|
||
|
||
[快速开始](#快速开始) | [安装](#安装) | [教程](#教程)
|
||
|
||
|
||
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)， [Gitee](https://gitee.com/jittor/jittor)
|
||
|
||
|
||
|
||
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jupyterr 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:
|
||
|
||
|
||
* 操作系统: **Ubuntu** >= 16.04 或 **Windows Subsystem of Linux（WSL）**
|
||
* Python：版本 >= 3.7
|
||
* C++编译器 （需要下列至少一个）
|
||
- g++ （>=5.4.0）
|
||
- clang （>=8.0）
|
||
* GPU 编译器（可选）：nvcc >=10.0
|
||
* GPU 加速库（可选）：cudnn-dev (cudnn开发版, 推荐使用tar安装方法，[参考链接](https://docs.nvidia.com/deeplearning/cudnn/install-guide/index.html#installlinux-tar))
|
||
|
||
如果您不希望手动配置环境，我们推荐使用 Docker 进行安装。
|
||
除此之外，您还可以使用 pip 安装和手动安装。
|
||
|
||
注意：目前Jittor通过WSL的方式在Windows操作系统上运行，WSL的安装方法请参考[微软官网](https://docs.microsoft.com/en-us/windows/wsl/install-win10)，WSL版本目前尚不支持CUDA。
|
||
|
||
Jittor 提供了三种安装方法：docker，pip和手动安装：
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
|
||
## 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/)
|
||
|
||
## Pip 安装
|
||
|
||
|
||
如果您没有准备好环境，或者使用的不是Ubuntu操作系统， 推荐使用**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).
|
||
|
||
## 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: <class 'jittor_core.Var'> <class 'jittor_core.Var'> <class 'jittor_core.Var'>
|
||
```
|
||
|
||
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]: notebook/example.src.md "示例"
|
||
[2]: notebook/basics.src.md "基本概念"
|
||
[3]: notebook/meta_op.src.md "元算子"
|
||
[4]: notebook/custom_op.src.md "自定义算子"
|
||
[5]: 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：jittor@qq.com
|
||
|
||
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={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。
|