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.htmlC++ 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。