清华自研的深度学习框架计图（Jittor）在动态图推理速度上又一次完胜PyTorch。
最近，计图团队完成了在寒武纪芯片MLU270上的移植。
这一次跟寒武纪的合作，使Jittor在backbone网络模型中的动态图推理速度较PyTorch平均提升了276.69倍。
从团队公布的实验结果可以看到，在寒武纪芯片上分别用计图（Jittor）和PyTorch进行推理。
计图（Jittor）在16种backbone网络模型中的推理速度都较PyTorch大幅提升，其中包括alexnet、vgg系列、resnet系列。
其中最快的是alexnet，提升速度达到了464.43倍，最慢的resnet50也达到了153倍。
平均提升速度达276.69倍。