C++¶

注意

如果您正在寻找 PyTorch C++ API 文档，请直接访问此处。

PyTorch 提供了多种使用 C++ 的功能，您可以根据自己的需求选择其中一种。从总体上来说，以下支持可用

TorchScript C++ API¶

TorchScript 允许将 Python 中定义的 PyTorch 模型序列化，然后在 C++ 中加载和运行，通过编译或跟踪其执行来捕获模型代码。您可以在在 C++ 中加载 TorchScript 模型教程中了解更多信息。这意味着您可以尽可能地在 Python 中定义模型，但随后可以通过 TorchScript 将它们导出，以便在生产或嵌入式环境中进行无 Python 执行。TorchScript C++ API 用于与这些模型和 TorchScript 执行引擎进行交互，包括

加载从 Python 保存的序列化 TorchScript 模型
如果需要，进行简单的模型修改（例如，提取子模块）
使用 C++ 张量 API 构造输入并进行预处理

使用 C++ 扩展扩展 PyTorch 和 TorchScript¶

TorchScript 可以通过自定义运算符和自定义类来增强用户提供的代码。一旦在 TorchScript 中注册，这些运算符和类就可以在从 Python 或 C++ 运行的 TorchScript 代码中调用，作为序列化 TorchScript 模型的一部分。该使用自定义 C++ 运算符扩展 TorchScript 教程介绍了使用 OpenCV 与 TorchScript 交互的过程。除了使用自定义运算符包装函数调用之外，C++ 类和结构可以通过类似 pybind11 的接口绑定到 TorchScript 中，这在使用自定义 C++ 类扩展 TorchScript 教程中进行了说明。

C++ 中的张量和自动微分¶

PyTorch Python API 中的大多数张量和自动微分操作在 C++ API 中也可用。这些包括

torch::Tensor 方法，例如 add / reshape / clone。有关可用方法的完整列表，请参阅：https://pytorch.ac.cn/cppdocs/api/classat_1_1_tensor.html
C++ 张量索引 API，其外观和行为与 Python API 相同。有关其用法的详细信息，请参阅：https://pytorch.ac.cn/cppdocs/notes/tensor_indexing.html
张量自动微分 API 和 torch::autograd 包，它们对于在 C++ 前端构建动态神经网络至关重要。有关更多详细信息，请参阅：https://pytorch.ac.cn/tutorials/advanced/cpp_autograd.html

在 C++ 中编写模型¶

“在 TorchScript 中编写，在 C++ 中推断”的工作流程要求在 TorchScript 中完成模型编写。但是，在某些情况下，模型必须在 C++ 中编写（例如，在不需要 Python 组件的工作流程中）。为了满足这些用例，我们提供了在 C++ 中完全编写和训练神经网络模型的功能，其中包含熟悉的组件，例如 torch::nn / torch::nn::functional / torch::optim，它们与 Python API 非常相似。

有关 PyTorch C++ 模型创作和训练 API 的概述，请参阅：https://pytorch.ac.cn/cppdocs/frontend.html
有关如何使用 API 的详细教程，请参阅：https://pytorch.ac.cn/tutorials/advanced/cpp_frontend.html
有关 torch::nn / torch::nn::functional / torch::optim 等组件的文档，请访问：https://pytorch.ac.cn/cppdocs/api/library_root.html

C++ 的打包¶

有关如何安装和链接 libtorch（包含所有上述 C++ API 的库）的指南，请参阅：https://pytorch.ac.cn/cppdocs/installing.html。请注意，在 Linux 上，提供了两种类型的 libtorch 二进制文件：一种使用 GCC 预 cxx11 ABI 编译，另一种使用 GCC cxx11 ABI 编译，您应该根据系统使用的 GCC ABI 进行选择。