C++

注意

如果您正在寻找 PyTorch C++ API 文档，请直接访问 此处。

PyTorch 提供了多个用于处理 C++ 的功能，最好根据您的需求从中进行选择。在高级别上，提供以下支持

TorchScript C++ API

TorchScript 允许在 Python 中定义的 PyTorch 模型被序列化，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++ 教程中加载 TorchScript 模型 中了解更多信息。这意味着您可以在 Python 中尽可能多地定义模型，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

• 根据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 或从 C++ 运行的 TorchScript 代码中调用，作为序列化 TorchScript 模型的一部分。在 使用自定义 C++ 运算符扩展 TorchScript 教程中逐步介绍了 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++ 类和结构体还可以通过类似 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 Autograd

PyTorch Python API 中的大多数张量和 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++ 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 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（例如在不需要 Python 组件的工作流程中）。为了满足此类用例，我们提供了在 C++ 中纯净地编写和训练神经网络模型的完整功能，并具有熟悉的组件，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

• 组件（如 torch::nn / torch::nn::functional / torch::optim）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，您应根据系统使用的 GCC ABI 进行选择。