C++¶
注意
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，最好根据您的需要从中进行选择。概括而言，提供以下支持：
TorchScript C++ API¶
TorchScript 允许序列化 Python 中定义的 PyTorch 模型，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在 Python 中定义模型，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扩展。 一旦注册到 TorchScript，这些运算符和类就可以在 TorchScript 代码中运行 Python 或从 C++ 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，还可以通过类似 pybind11 的接口将 C++ 类和结构绑定到 TorchScript 中，这在使用自定义 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 操作在 C++ API 中也可用。这些包括：
torch::Tensor/ / 等方法。有关可用方法的完整列表，请参阅：https://pytorch.org/cppdocs/api/classat_1_1_tensor.htmladdreshapecloneC++ 张量索引 API，其外观和行为与 Python API 相同。有关其使用的详细信息，请参阅：https://pytorch.org/cppdocs/notes/tensor_indexing.html
张量 autograd API 和包对于在 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.org/tutorials/advanced/cpp_autograd.html
torch::autograd
在 C++ 中创作模型¶
“在 TorchScript 中创作，在 C++ 中推理”工作流程要求在 TorchScript 中完成模型创作。
但是，在某些情况下，必须使用 C++ 编写模型（例如，在 Python
组件是不可取的）。为了满足此类使用案例的需求，我们提供了完全使用 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（如 / /）与 Python API 非常相似。torch::nntorch::nn::functionaltorch::optim
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
组件（如 / / ）的文档可以在以下位置找到：https://pytorch.org/cppdocs/api/library_root.html
torch::nntorch::nn::functionaltorch::optim
C++ 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，您应该根据系统使用的 GCC ABI 进行选择。