C++¶
注意
如果您正在寻找PyTorch的C++ API文档，请直接点击这里。
PyTorch 提供了多种用于与 C++ 工作的功能，最好根据你的需求从中选择。在高层次上，可以提供以下支持：
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。你可以在 使用C++加载TorchScript模型教程 中了解更多。这意味着你可以尽可能地在Python中定义你的模型，但随后可以通过TorchScript导出它们，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
在需要时进行简单的模型修改（例如，提取子模块）
构建输入并使用C++ Tensor API进行预处理
使用C++扩展扩展PyTorch和TorchScript¶
TorchScript 可以通过自定义操作符和自定义类来增强，这些操作符和类由用户提供的代码实现。 一旦在 TorchScript 中注册，这些操作符和类可以在从 Python 或 C++ 运行的 TorchScript 代码中调用，也可以作为序列化的 TorchScript 模型的一部分调用。 使用自定义 C++ 操作符扩展 TorchScript 教程介绍了如何将 TorchScript 与 OpenCV 结合使用。除了使用自定义操作符封装函数调用外，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 教程中有详细说明。
张量和自动梯度在C++中¶
PyTorch Python API 中的大多数张量和自动梯度操作在 C++ API 中也是可用的。这些包括：
torch::Tensor方法，如add/reshape/clone。有关可用方法的完整列表，请参见：https://pytorch.org/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.org/cppdocs/notes/tensor_indexing.html
张量自动梯度API和对于在C++前端构建动态神经网络至关重要的
torch::autograd包。有关详细信息，请参阅：https://pytorch.org/tutorials/advanced/cpp_autograd.html
在C++中编写模型¶
“在TorchScript中编写，在C++中推理”的工作流要求模型的编写必须在TorchScript中完成。然而，可能会有需要在C++中编写模型的情况（例如，在不希望有Python组件的工作流中）。为了满足这些使用场景，我们提供了完全用C++编写和训练神经网络模型的能力，包括熟悉的组件如torch::nn / torch::nn::functional / torch::optim，这些组件与Python API非常相似。
要了解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，请参见：https://pytorch.org/tutorials/advanced/cpp_frontend.html
如
torch::nn/torch::nn::functional/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）的指导，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：一种是使用GCC pre-cxx11 ABI编译的，另一种是使用GCC cxx11 ABI编译的，你应该根据系统使用的GCC ABI进行选择。