由于设计理念和底层逻辑的区别，Jittor 中有部分接口与 Torch 是不一样的。在这里整理如下，以供参考。
| Torch | Jittor | 解释 |
|---|---|---|
| torch.autograd.variable() | 无 | jt.Var 支持求导自动，无需单独包装 |
| torch.cuda.empty_cache() | jt.gc() | |
| torch.cuda.is_available() | jt.flags.has_cuda | Jittor 里判单是否可用 cuda 的方式是使用标志变量。此外，启用 cuda 的方式是设置变量 jt.flags.use_cuda = 1 |
| torch.cuda.synchronize() | jt.sync_all(True) | |
| torch.Module.register_buffer() | 无 | jittor中在模型里直接定义 buffer，然后设置其不需要梯度 jt.Var.stop_grad() |
| torch.index_select() | jt.reindex() | 参考此贴 |
| torch.sort() | jt.argsort() | jt.argsort 同时返回索引和排序结果 |
| torch.Tensor.contiguous() | 无 | Jittor 的 Var 任何时候都是保持连续的，因此 Jittor 代码里不需要这个函数 |
| torch.Tensor.to(device) | 无 | Jittor 里通过全局标志 jt.flags.use_cuda 来设置 var 是否在 gpu 上运算，不需要对单独的模型或者 tensor 设置 |