计图（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，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，可以被计图实时的自动优化并且运行在指定的硬件上，如 CPU、GPU。

• 算子动态编译： Jittor 内置元算子编译器，可以将用户通过元算子编写的 Python 代码，动态编译成高性能的C++ 代码。
• 自动优化： jittor 内置优化编译遍（complier pass），同时和 LLVM 兼容，这些编译遍会根据硬件设备自动优化动态编译的代码，常见的优化编译遍有循环重排、循环分裂、循环融合、数据打包、向量化、GPU并行。这些编译遍对 C++ 代码进一步优化，生成对计算设备友好的底层算子。
• 统一内存管理： Jittor 使用了统一内存管理，统一 GPU 与 CPU 之间的内存，当深度学习模型将 GPU 内存耗尽时，将使用 CPU 内存来弥补。
• 高效同步异步接口： Jittor 同时提供两种接口，同步和异步接口之间切换不会产生性能损失。
• 模型迁移： Jittor 采用和 PyTorch 相似的模块化接口，同时提供辅助转换脚本，可将 PyTorch 的代码转换成 Jittor 的模型，并可以相互加载和调用。
• 元算子融合： 可将神经网络的基本算子（元算子）融合成复杂算子，如卷积层、归一化层，进一步构成神经网络和深度学习应用。
• 高阶导数以及反向传播闭包： 元算子是反向传播闭包（元算子反向传播也是元算子），同时支持计算任意高阶导数。在深度学习算子开发过程中，免去反向传播算子重复开发工作，同时可以使用统一的优化策略。

Jittor前端语言为Python，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++。当前Jittor支持三种即时编译器：

• CPU 编译器 （需要下列至少一个）
  • g++ （>=5.4.0）
  • clang （>=8.0）推荐
  • GPU 编译器（可选）
    • nvcc（>=10.0）