C++¶

注意

如果您正在查找 PyTorch C++ API 文档，请直接点击此处。

PyTorch 提供了多种用于 C++ 开发的功能，您可以根据自己的需求选择最适合的。从高层次来看，提供了以下支持：

TorchScript C++ API¶

TorchScript 允许将用 Python 定义的 PyTorch 模型序列化，然后通过编译或跟踪其执行来捕获模型代码，并在 C++ 中加载和运行。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在 Python 中定义模型，然后通过 TorchScript 将其导出，以便在生产或嵌入式环境中执行无 Python 代码。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（例如提取子模块）
使用 C++ Tensor API 构建输入并进行预处理

使用 C++ 扩展来扩展 PyTorch 和 TorchScript¶

可以通过自定义操作符和自定义类来增强 TorchScript 的功能。一旦注册到 TorchScript 中，这些操作符和类就可以作为序列化 TorchScript 模型的一部分，在从 Python 或 C++ 运行的 TorchScript 代码中调用。使用自定义 C++ 操作符扩展 TorchScript 教程详细介绍了如何将 TorchScript 与 OpenCV 对接。除了使用自定义操作符包装函数调用之外，还可以通过类似于 pybind11 的接口将 C++ 类和结构绑定到 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 Tensor 和 Autograd¶

PyTorch Python API 中的大多数 Tensor 和 Autograd 操作在 C++ API 中也可用。其中包括：

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
行为与 Python API 相同、外观相似的 C++ Tensor 索引 API。有关其用法详情，请参阅：https://pytorch.ac.cn/cppdocs/notes/tensor_indexing.html
对于在 C++ 前端构建动态神经网络至关重要的 Tensor Autograd API 和 torch::autograd 包。更多详情请参阅：https://pytorch.ac.cn/tutorials/advanced/cpp_autograd.html

在 C++ 中构建模型¶

“在 TorchScript 中构建，在 C++ 中推理”的工作流程要求模型构建在 TorchScript 中完成。然而，在某些情况下可能必须在 C++ 中构建模型（例如，在不希望包含 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++ 中构建和训练神经网络模型的能力，其中包含 torch::nn / torch::nn::functional / torch::optim 等与 Python API 高度相似的熟悉组件。

有关 PyTorch C++ 模型构建和训练 API 的概述，请参阅：https://pytorch.ac.cn/cppdocs/frontend.html
有关如何使用该 API 的详细教程，请参阅：https://pytorch.ac.cn/tutorials/advanced/cpp_frontend.html
torch::nn / torch::nn::functional / torch::optim 等组件的文档可在以下位置找到：https://pytorch.ac.cn/cppdocs/api/library_root.html

C++ 打包¶

有关如何安装 libtorch（包含上述所有 C++ API 的库）并进行链接的指导，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，您应根据系统使用的 GCC ABI 进行选择。