即时编译（JIT）¶
我们在 MegEngine 基础概念 这篇教程中曾提到过这样一个概念：
“在深度学习领域，任何复杂的深度神经网络模型本质上都可以用一个计算图表示出来。”
MegEngine 中 Tensor 为数据节点, Operator 为计算节点¶
>>> y = w * x + b
>>> p = w * x
>>> y = p + b
在默认情况下，MegEngine 中的指令将像 Python 之类的解释型语言一样，动态地解释执行。 我们将这种执行模式称为 “动态图” 模式，此时完整的计算图信息其实并不存在； 而与之相对的是 “静态图” 模式，在执行之前能够拿到完整的计算图结构， 能够根据全局图信息进行一定的优化，加快执行速度。
在 MegEngine 中，通过使用即时编译技术（JIT），将动态图编译成静态图，并支持序列化。
接下来的内容将对相关概念和原理进行一定的解释，不了解这些细节并不影响基本使用。
动态图 Vs. 静态图¶
静态图
MegEngine 也支持 静态计算图 模式，将计算图的构建和实际计算分开（Define and run）。
原理： 在构建阶段，MegEngine 根据完整的计算流程对原始的计算图进行优化和调整， 得到更省内存和计算量更少的计算图，这个过程称之为 “编译” 。编译之后图的结构不再改变，也就是所谓的 “静态” 。 在计算阶段，MegEngine 根据输入数据执行编译好的计算图得到计算结果。
优点： 静态图相比起动态图，对全局的信息掌握更丰富，可做的优化也会更多。
缺点： 但中间过程对于用户来说是个黑盒，无法像动态图一样随时拿到中间计算结果。
什么是即时编译¶
即时编译（Just-in-time compilation）是源自编译（Compiling）中的概念。
以传统的 C/C++ 语言为例，我们写完代码之后， 一般会通过编译器编译生成可执行文件，然后再执行该可执行文件获得执行结果。 如果我们将从源代码编译生成可执行文件袋过称为 build 阶段， 将执行可执行文件叫做 runtime 阶段的话，JIT 是没有 build 阶段的，只存在于 runtime 阶段。 JIT 一般被用在解释执行的语言如 Python 中，JIT 会在代码执行的过程中检测热点函数（HotSpot）， 随后对热点函数进行重编译，下次运行时遇到热点函数则直接执行编译结果即可。这样做可以显著加快代码执行的速度。
参见
维基百科： Just-in-time compilation
静态图编译优化举例¶
下面我们举例说明静态图编译过程中可能进行的内存和计算优化：
在上图左侧的计算图中，为了存储 x, w, p, b, y 五个变量，
动态图需要 40 个字节（假设每个变量占用 8 字节的内存）。
在静态图中，由于我们只需要知道结果 y, 可以让 y 复用中间变量 p 的内存，
实现 “原地”（Inplace）修改。这样，静态图所占用的内存就减少为 32 个字节。
参见
更多相关解释可参考 MegEngine 官方博客 《 JIT in MegEngine 》