Goal: bridging the gap between megengine and torch.
只需要把所有torch相关的code转换成invis就行了
比如：
import invis as torch
import invis.nn.functional as FEnjoy!
git clone git@github.com:MegEngine/invis.git
cd invis个人建议使用venv，如果不想用，可以跳过这一步
python3 -m venv invis_venv ~/invis_venv
source ~/invis_venv/bin/activate使用pip进行安装
pip3 install -r requirements.txt
pip3 install -v -e .- invis.nn.Moudle不会把builtin 的 dict 和 list 看做ModuleDict和 ModuleList了，你可以放心的往Module里塞入Tenor和Module而不用担心state_dict里面多出来一些奇怪的东西了
- 每个Module终于可以自定义load_state_dict的逻辑了
- 诸如 x.abs().sigmoid() 终于可以用了，抛弃掉诸如F.sigmoid(F.abs(x))的调用吧
- 增加了一些方法，诸如meshgrid、where、pixel_shuffle等
- 修复mge里面一些支持不全的功能，比如pad(x, (-2, -2, -2, -2))这种
作为对invis的磨练，我转换了一些基本的模型。
- 大部分模型来自于直接对torchvision的转换，使用的版本为0.12.0
- 检测部分写了YOLOX是因为相对来说YOLOX的写法还是有一部分的复杂性的(而且自己也很熟)
- realcu-gan纯粹是个人兴趣所在(谁不想看到高清的老番呢)
invis的初衷还是为了减少复杂度(complexity)，准确来说是R可控的复杂度。我已经厌倦了告诉别人：
- mge BatchNorm的momentum和torch的不一样，如果torch的是0.9，那么mge的是0.1
- 转权重的时候，group conv 和 torch 也是不一样的，bias也不一样。
- Linear的初始化也不太一样，之前我们复现DETR也因为这个差了一些点。
现在，我只需要告诉他，这个坑在invis里面有，你可以去看一下。
除此之外，还有一些其他可能的使用场景：
- 对inference结果
- 将torch代码尽量快地转成trace module
- 需要一个torch训练好的backbone来做预训练，但是懒得转weight
invis的用户有多少，并不取决于我的算子包的多好，而是用户将代码从torch切到megengine之后，能享受到什么好处。
invis仅仅在一个小范围内进行了打磨，而且一些corner case未必支持地完全，任何MR/PR和issue都是欢迎的。