C++¶

注意

如果您正在查找 PyTorch C++ API 文档，请直接访问这里。

PyTorch 提供了多个与 C++ 协同工作的功能，最好根据您的需求从中选择。在较高层面，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多地在 Python 中定义模型，但随后通过 TorchScript 导出它们，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，拉出子模块）
使用 C++ Tensor API 构建输入并进行预处理

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 代码中作为序列化 TorchScript 模型的一部分调用。使用自定义 C++ 运算符扩展 TorchScript 教程介绍了 TorchScript 与 OpenCV 的接口。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于 pybind11 的接口绑定到 TorchScript 中，这在使用自定义 C++ 类扩展 TorchScript 教程中进行了解释。

C++ 中的 Tensor 和 Autograd¶

PyTorch Python API 中的大多数 tensor 和 autograd 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++ tensor 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
tensor autograd 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++ 中推理” 工作流程要求模型编写在 TorchScript 中完成。但是，在某些情况下，模型必须在 C++ 中编写（例如，在不希望使用 Python 组件的工作流程中）。为了满足此类用例，我们提供了完全在 C++ 中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，这些组件与 Python API 非常相似。

有关 PyTorch C++ 模型编写和训练 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，可以在以下位置找到： https://pytorch.ac.cn/cppdocs/api/library_root.html

C++ 的打包¶

有关如何安装和链接 libtorch（包含上述所有 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 pre-cxx11 ABI 编译，另一种使用 GCC cxx11 ABI 编译，您应该根据系统正在使用的 GCC ABI 进行选择。