C++¶

注意

如果您正在寻找 PyTorch C++ API 文档，请直接前往这里。

PyTorch 提供了多种与 C++ 配合使用的功能，最好根据您的需求从中选择。从高层次来看，以下支持是可用的：

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++ 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使用 Python 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++ Tensor API构建输入并进行预处理

使用C++扩展PyTorch和TorchScript¶

TorchScript 可以通过自定义操作符和自定义类来增强用户提供的代码。一旦在 TorchScript 中注册，这些操作符和类就可以在从 Python 或 C++ 运行的 TorchScript 代码中调用，作为序列化的 TorchScript 模型的一部分。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 接口。除了通过自定义操作符包装函数调用外，C++ 类和结构体还可以通过类似于 pybind11 的接口绑定到 TorchScript 中，这在使用自定义 C++ 类扩展 TorchScript 教程中有详细解释。

C++中的张量和自动微分¶

PyTorch Python API中的大多数张量和自动求导操作在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.org/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.org/cppdocs/notes/tensor_indexing.html
张量autograd API和torch::autograd包对于在C++前端构建动态神经网络至关重要。更多详情，请参阅：https://pytorch.org/tutorials/advanced/cpp_autograd.html

在C++中编写模型¶

“在TorchScript中编写作者，在C++中推断”的工作流程要求模型编写必须在TorchScript中完成。然而，在某些情况下，模型可能必须在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全部能力，使用熟悉的组件，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.org/cppdocs/frontend.html
有关如何使用API的详细教程，请参阅：https://pytorch.org/tutorials/advanced/cpp_frontend.html
可以在此处找到诸如 torch::nn / torch::nn::functional / torch::optim 等组件的文档：https://pytorch.org/cppdocs/api/library_root.html

C++ 打包¶

有关如何安装并与libtorch（包含所有上述C++ API的库）链接的指南，请参阅：https://pytorch.org/cppdocs/installing.html。请注意，在Linux上提供了两种类型的libtorch二进制文件：一种是用GCC pre-cxx11 ABI编译的，另一种是用GCC cxx11 ABI编译的，您应根据系统使用的GCC ABI进行选择。