随着深度学习等相关技术的飞速发展,不少深度学习的计算库被提出,例如PyTorch、TensorFlow、Keras等。这些库皆旨在为研究人员和工程人员提供一个快速、便捷、高效的深度学习底层计算API,从而能够更好地推动深度学习技术的发展。但是由于深度学习框架底层的复杂性、框架自身运行机制的不同、以及相关辅助研究工具的匮乏,导致深度学习的项目研究需要研究人员承担冗长而又难以维护的辅助工作。因此,本文针对这一问题提出了一个基于PyTorch的面向研究的通用型深度学习框架——Jdit。通常来说、深度学习的任务类型相对单一且固定,因此在本框架中实现了几种常见任务类型的模板,根据不同的任务选取相应的任务模板即可减少训练模板搭建的工作,且模板可以定制、修改、复用,为后续应用在同类型任务上提供便利。此外,框架中还定义了深度学习研究过程中必不可少的辅助工具,例如借助TensorBoard进行损失函数、模型、训练过程等的持久化保存和可视化,为研究人员提供了零代码式的全自动辅助分析功能。Jdit将研究人员的核心工作和周边辅助工作解耦,使得研究人员能够专注于核心内容,从而提高研究开发效率。在本文的最后通过电镜图像研究的实例来说明在实际的项目中,Jdit的使用方法以及工作表现。