JIT just-in-time Compilation
即时翻译
pytorch和tensorflow存在差异
pytorch使用动态图结构，这使得其更加简单

TorchScript（这是搜索Pytorch JIT首先出来的结果）
动态图模型通过牺牲一些高级特性来换取易用性

模型部署

JIT是python和C++的桥梁
我们可以使用python训练模型，然后通过JIT将模型转为语言无关的模块，从而让C++可以非常方便的调用

性能提升

如果推断的场景对性能要求高，则可以考虑将模型（torch.nn.Module）转换为TorchScript Module，再进行推断

模型可视化

Tensorflow或keras对模型可视化工具（TensorBoard等）非常友好，因为本身就是静态图的编程模型，在模型定义好后整个模型的结构和正向逻辑就已经清楚了

可以使用JIT的trace功能来得到PyTorch模型针对某一输入的正向逻辑，通过正向逻辑可以得到模型大致的结构，但是如果在forward方法中有很多条件控制语句，这依然不是一个好的方法，所以PyTorch JIT还提供了Scripting的方法

references

1. https://zhuanlan.zhihu.com/p/370455320