C++ ¶
译者：片刻小哥哥
笔记
如果您正在寻找 PyTorch C++ API 文档，请直接转到此处。
PyTorch 提供了多种使用 C++ 的功能，最好根据您的需求进行选择。在较高级别上，可以提供以下支持：
TorchScript C++ API ¶
TorchScript 允许对 Python 中定义的 PyTorch 模型进行序列化，然后在 C++ 中加载和运行，通过编译或跟踪其执行捕获模型代码。您可以在用 C++ 教程加载 TorchScript 模型 中了解更多信息。这意味着您可以尽可能地用 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执行非 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(例如拉出子模块)
- 使用 C++ Tensor API 构造输入并进行预处理
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使用用户提供的代码进行增强。注册到 TorchScript 后，可以在从 Python 或 C++ 运行的 TorchScript 代码中调用这些运算符和类，作为序列化 TorchScript 模型的一部分。 使用自定义 C++ 运算符扩展 TorchScript 教程逐步介绍了 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++ 类和结构可以通过类似 pybind11 的接口绑定到 TorchScript 中，该接口在使用自定义 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 操作也可以在 C++ API 中使用。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++ 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.org/cppdocs/notes/tensor_indexing.html
- tensor autograd API 和
torch::autograd包对于用 C++ 构建动态神经网络至关重要前端。更多详情请参见：https://pytorch.org/tutorials/advanced/cpp_autograd.html
用 C++ 创作模型 ¶
“在 TorchScript 中创作，在 C++ 中推断”工作流程要求在 TorchScript 中完成模型创作。但是，可能存在必须在 C++ 中创作模型的情况(例如，在不需要 Python 组件的工作流程中)。为了服务此类用例，我们提供了纯粹用 C++ 编写和训练神经网络模型的完整功能，并使用熟悉的组件，例如torch::nn/torch::nn::function/torch::optim 与 Python API 非常相似。
- 有关 PyTorch C++ 模型创作和训练 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
torch::nn/torch::nn::function/torch::optim等组件的文档可以在以下位置找到： https://pytorch.org/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.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，您应该根据系统使用的 GCC ABI 进行选择。
