使用 PyTorch C++ 前端#
创建日期：2019 年 1 月 15 日 | 最后更新：2025 年 9 月 22 日 | 最后验证：2024 年 11 月 5 日
如何构建使用 PyTorch C++ 前端的 C++ 应用程序
如何使用 PyTorch 抽象在 C++ 中定义和训练神经网络
PyTorch 1.5 或更高版本
C++ 编程基础知识
带有 CMake >= 3.5 的基础 Ubuntu Linux 环境；类似的命令也适用于 MacOS / Windows 环境
（可选）用于 GPU 训练部分的基于 CUDA 的 GPU
PyTorch C++ 前端是 PyTorch 机器学习框架的纯 C++ 接口。虽然 PyTorch 的主要接口自然是 Python，但该 Python API 构建在一个庞大的 C++ 代码库之上，提供了诸如张量和自动微分等基础数据结构和功能。C++ 前端公开了一个纯 C++17 API，扩展了这个底层的 C++ 代码库，并提供了机器学习训练和推理所需的工具。这包括内置的常用神经网络建模组件集合；用于通过自定义模块扩展此集合的 API；包含随机梯度下降等流行优化算法的库；带有定义和加载数据集 API 的并行数据加载器；序列化例程等等。
本教程将带您完成一个使用 C++ 前端训练模型的端到端示例。具体来说，我们将训练一个 DCGAN（一种生成模型），用于生成 MNIST 数字图像。虽然在概念上是一个简单的示例，但它足以让您快速了解 PyTorch C++ 前端，并激发您训练更复杂模型的兴趣。我们将首先说明为什么您会想要使用 C++ 前端，然后直接深入到模型定义和训练中。
提示
观看 CppCon 2018 的这次闪电演讲，快速（且幽默地）了解 C++ 前端。
提示
此说明提供了 C++ 前端组件和设计理念的全面概述。
提示
PyTorch C++ 生态系统的文档可在 https://pytorch.ac.cn/cppdocs 获取。在那里，您可以找到高级描述以及 API 级文档。
动机#
在我们踏上 GAN 和 MNIST 数字的精彩旅程之前，让我们退后一步，讨论一下为什么您会想要使用 C++ 前端而不是 Python 前端。我们（PyTorch 团队）创建 C++ 前端是为了在无法使用 Python 或 Python 并非完成该任务的最佳工具的环境中进行研究。此类环境的示例包括
低延迟系统：您可能希望在具有高帧率和低延迟要求的纯 C++ 游戏引擎中进行强化学习研究。使用纯 C++ 库比使用 Python 库更适合此类环境。由于 Python 解释器的缓慢，Python 可能根本不可行。
高度多线程环境：由于全局解释器锁 (GIL)，Python 同一时间无法运行超过一个系统线程。多进程是一种替代方案，但可扩展性较差，且存在重大缺陷。C++ 没有这种限制，且线程易于创建和使用。需要大量并行化的模型（例如 深度神经进化 中使用的那些）可以从中受益。
现有的 C++ 代码库：您可能拥有一个现有的 C++ 应用程序，其功能涵盖从后端服务器提供网页到在照片编辑软件中渲染 3D 图形，并希望将机器学习方法集成到您的系统中。C++ 前端允许您保留在 C++ 中，省去了在 Python 和 C++ 之间来回绑定的麻烦，同时保留了传统 PyTorch (Python) 体验的大部分灵活性和直观性。
C++ 前端并非旨在与 Python 前端竞争。它是为了补充它。我们知道研究人员和工程师都喜欢 PyTorch 的简单性、灵活性和直观的 API。我们的目标是确保您可以在所有可能的环境中利用这些核心设计原则，包括上述环境中。如果其中一个场景很好地描述了您的用例，或者如果您只是感兴趣或好奇，请跟随我们在接下来的段落中详细探索 C++ 前端。
提示
C++ 前端试图提供尽可能接近 Python 前端的 API。如果您有 Python 前端的经验，并且曾经问自己“我该如何用 C++ 前端做 X？”，那么请按照您在 Python 中的方式编写代码，通常情况下，C++ 中会提供与 Python 中相同的函数和方法（只需记住将点替换为双冒号）。
编写基础应用程序#
让我们从编写一个最小的 C++ 应用程序开始，以验证我们在设置和构建环境方面达成一致。首先，您需要获取一份 LibTorch 发行版——这是我们预构建的 zip 存档，其中打包了使用 C++ 前端所需的所有相关头文件、库和 CMake 构建文件。LibTorch 发行版可在 PyTorch 网站 上下载，适用于 Linux、MacOS 和 Windows。本教程的其余部分将假设为一个基础的 Ubuntu Linux 环境，但您也可以在 MacOS 或 Windows 上自由跟随。
提示
安装 PyTorch 的 C++ 发行版的相关说明中更详细地描述了以下步骤。
提示
在 Windows 上，调试版本和发布版本不是 ABI 兼容的。如果您计划以调试模式构建项目，请尝试使用 LibTorch 的调试版本。此外，请确保在下方的 cmake --build . 行中指定正确的配置。
第一步是通过从 PyTorch 网站获取的链接在本地下载 LibTorch 发行版。对于标准的 Ubuntu Linux 环境，这意味着运行
# If you need e.g. CUDA 9.0 support, please replace "cpu" with "cu90" in the URL below.
wget https://download.pytorch.org/libtorch/nightly/cpu/libtorch-shared-with-deps-latest.zip
unzip libtorch-shared-with-deps-latest.zip
接下来，让我们编写一个名为 dcgan.cpp 的小型 C++ 文件，其中包含 torch/torch.h，目前只需打印出一个三乘三的单位矩阵
#include <torch/torch.h>
#include <iostream>
int main() {
torch::Tensor tensor = torch::eye(3);
std::cout << tensor << std::endl;
}
为了构建这个微型应用程序以及稍后我们完整的训练脚本，我们将使用此 CMakeLists.txt 文件
cmake_minimum_required(VERSION 3.5 FATAL_ERROR)
project(dcgan)
find_package(Torch REQUIRED)
add_executable(dcgan dcgan.cpp)
target_link_libraries(dcgan "${TORCH_LIBRARIES}")
set_property(TARGET dcgan PROPERTY CXX_STANDARD 17)
注意
虽然 CMake 是 LibTorch 的推荐构建系统，但它并不是硬性要求。您也可以使用 Visual Studio 项目文件、QMake、普通 Makefile 或您感到舒适的任何其他构建环境。但是，我们不提供对此的直接支持。
请注意上述 CMake 文件中的第 4 行：find_package(Torch REQUIRED)。这指示 CMake 查找 LibTorch 库的构建配置。为了让 CMake 知道在哪里可以找到这些文件，我们必须在调用 cmake 时设置 CMAKE_PREFIX_PATH。在执行此操作之前，让我们就 dcgan 应用程序的以下目录结构达成一致
dcgan/
CMakeLists.txt
dcgan.cpp
此外，我将把解压后的 LibTorch 发行版路径称为 /path/to/libtorch。请注意，这必须是绝对路径。特别是，将 CMAKE_PREFIX_PATH 设置为类似于 ../../libtorch 的内容会在意想不到的情况下崩溃。相反，请写入 $PWD/../../libtorch 以获得相应的绝对路径。现在，我们准备好构建我们的应用程序了
root@fa350df05ecf:/home# mkdir build
root@fa350df05ecf:/home# cd build
root@fa350df05ecf:/home/build# cmake -DCMAKE_PREFIX_PATH=/path/to/libtorch ..
-- The C compiler identification is GNU 5.4.0
-- The CXX compiler identification is GNU 5.4.0
-- Check for working C compiler: /usr/bin/cc
-- Check for working C compiler: /usr/bin/cc -- works
-- Detecting C compiler ABI info
-- Detecting C compiler ABI info - done
-- Detecting C compile features
-- Detecting C compile features - done
-- Check for working CXX compiler: /usr/bin/c++
-- Check for working CXX compiler: /usr/bin/c++ -- works
-- Detecting CXX compiler ABI info
-- Detecting CXX compiler ABI info - done
-- Detecting CXX compile features
-- Detecting CXX compile features - done
-- Looking for pthread.h
-- Looking for pthread.h - found
-- Looking for pthread_create
-- Looking for pthread_create - not found
-- Looking for pthread_create in pthreads
-- Looking for pthread_create in pthreads - not found
-- Looking for pthread_create in pthread
-- Looking for pthread_create in pthread - found
-- Found Threads: TRUE
-- Found torch: /path/to/libtorch/lib/libtorch.so
-- Configuring done
-- Generating done
-- Build files have been written to: /home/build
root@fa350df05ecf:/home/build# cmake --build . --config Release
Scanning dependencies of target dcgan
[ 50%] Building CXX object CMakeFiles/dcgan.dir/dcgan.cpp.o
[100%] Linking CXX executable dcgan
[100%] Built target dcgan
在上方，我们首先在 dcgan 目录中创建了一个 build 文件夹，进入该文件夹，运行 cmake 命令以生成必要的构建（Make）文件，最后通过运行 cmake --build . --config Release 成功编译了项目。我们现在可以执行我们的最小二进制文件并完成关于基本项目配置的这一部分
root@fa350df05ecf:/home/build# ./dcgan
1 0 0
0 1 0
0 0 1
[ Variable[CPUFloatType]{3,3} ]
这对我来说看起来像是一个单位矩阵！
定义神经网络模型#
既然我们已经配置好了基础环境，我们就可以深入探讨本教程中更有趣的部分。首先，我们将讨论如何在 C++ 前端中定义模块并与之交互。我们将从基础的小规模示例模块开始，然后使用 C++ 前端提供的广泛内置模块库来实现一个成熟的 GAN。
模块 API 基础#
与 Python 接口一致，基于 C++ 前端的神经网络由称为模块的可重用构建块组成。有一个基模块类，所有其他模块都派生自该类。在 Python 中，此类是 torch.nn.Module，而在 C++ 中则是 torch::nn::Module。除了实现模块所封装算法的 forward() 方法外，模块通常包含三种子对象中的任何一种：参数、缓冲区和子模块。
参数和缓冲区以张量的形式存储状态。参数记录梯度，而缓冲区则不记录。参数通常是神经网络的可训练权重。缓冲区的示例包括批归一化（batch normalization）的均值和方差。为了重用特定的逻辑块和状态，PyTorch API 允许嵌套模块。嵌套模块称为子模块。
参数、缓冲区和子模块必须显式注册。注册后，可以使用 parameters() 或 buffers() 等方法来检索整个（嵌套）模块层次结构中的所有参数的容器。类似地，to(...) 等方法（例如 to(torch::kCUDA) 将所有参数和缓冲区从 CPU 移动到 CUDA 内存）作用于整个模块层次结构。
定义模块并注册参数#
为了将这些话转化为代码，让我们考虑在 Python 接口中编写的这个简单模块
import torch
class Net(torch.nn.Module):
def __init__(self, N, M):
super(Net, self).__init__()
self.W = torch.nn.Parameter(torch.randn(N, M))
self.b = torch.nn.Parameter(torch.randn(M))
def forward(self, input):
return torch.addmm(self.b, input, self.W)
在 C++ 中，它看起来像这样
#include <torch/torch.h>
struct Net : torch::nn::Module {
Net(int64_t N, int64_t M) {
W = register_parameter("W", torch::randn({N, M}));
b = register_parameter("b", torch::randn(M));
}
torch::Tensor forward(torch::Tensor input) {
return torch::addmm(b, input, W);
}
torch::Tensor W, b;
};
就像在 Python 中一样，我们定义一个名为 Net 的类（为了简单起见，这里是 struct 而不是 class），并将其从模块基类中派生出来。在构造函数内部，我们使用 torch::randn 创建张量，就像我们在 Python 中使用 torch.randn 一样。一个有趣的区别是我们如何注册参数。在 Python 中，我们用 torch.nn.Parameter 类包装张量，而在 C++ 中，我们必须通过 register_parameter 方法传递张量。这样做的原因是 Python API 可以检测到属性的类型为 torch.nn.Parameter 并自动注册此类张量。在 C++ 中，反射非常有限，因此提供了一种更传统（且不那么神奇）的方法。
注册子模块并遍历模块层次结构#
就像注册参数一样，我们也可以注册子模块。在 Python 中，当子模块被分配为模块的属性时，它们会自动被检测并注册
class Net(torch.nn.Module):
def __init__(self, N, M):
super(Net, self).__init__()
# Registered as a submodule behind the scenes
self.linear = torch.nn.Linear(N, M)
self.another_bias = torch.nn.Parameter(torch.rand(M))
def forward(self, input):
return self.linear(input) + self.another_bias
这允许，例如，使用 parameters() 方法递归地访问我们模块层次结构中的所有参数
>>> net = Net(4, 5)
>>> print(list(net.parameters()))
[Parameter containing:
tensor([0.0808, 0.8613, 0.2017, 0.5206, 0.5353], requires_grad=True), Parameter containing:
tensor([[-0.3740, -0.0976, -0.4786, -0.4928],
[-0.1434, 0.4713, 0.1735, -0.3293],
[-0.3467, -0.3858, 0.1980, 0.1986],
[-0.1975, 0.4278, -0.1831, -0.2709],
[ 0.3730, 0.4307, 0.3236, -0.0629]], requires_grad=True), Parameter containing:
tensor([ 0.2038, 0.4638, -0.2023, 0.1230, -0.0516], requires_grad=True)]
要在 C++ 中注册子模块，请使用恰当命名的 register_module() 方法来注册像 torch::nn::Linear 这样的模块
struct Net : torch::nn::Module {
Net(int64_t N, int64_t M)
: linear(register_module("linear", torch::nn::Linear(N, M))) {
another_bias = register_parameter("b", torch::randn(M));
}
torch::Tensor forward(torch::Tensor input) {
return linear(input) + another_bias;
}
torch::nn::Linear linear;
torch::Tensor another_bias;
};
提示
您可以在 此处的 torch::nn 命名空间文档中找到可用内置模块（如 torch::nn::Linear、torch::nn::Dropout 或 torch::nn::Conv2d）的完整列表。
上述代码的一个微妙之处在于，为什么子模块是在构造函数的初始化列表中创建的，而参数是在构造函数体内部创建的。这有一个很好的理由，我们将在下面关于 C++ 前端所有权模型的部分中提及。然而，最终结果是我们能够像在 Python 中一样递归地访问模块树的参数。调用 parameters() 会返回一个 std::vector<torch::Tensor>，我们可以对其进行迭代
int main() {
Net net(4, 5);
for (const auto& p : net.parameters()) {
std::cout << p << std::endl;
}
}
这将打印
root@fa350df05ecf:/home/build# ./dcgan
0.0345
1.4456
-0.6313
-0.3585
-0.4008
[ Variable[CPUFloatType]{5} ]
-0.1647 0.2891 0.0527 -0.0354
0.3084 0.2025 0.0343 0.1824
-0.4630 -0.2862 0.2500 -0.0420
0.3679 -0.1482 -0.0460 0.1967
0.2132 -0.1992 0.4257 0.0739
[ Variable[CPUFloatType]{5,4} ]
0.01 *
3.6861
-10.1166
-45.0333
7.9983
-20.0705
[ Variable[CPUFloatType]{5} ]
它有三个参数，就像在 Python 中一样。为了查看这些参数的名称，C++ API 提供了一个 named_parameters() 方法，它返回一个 OrderedDict，就像在 Python 中一样
Net net(4, 5);
for (const auto& pair : net.named_parameters()) {
std::cout << pair.key() << ": " << pair.value() << std::endl;
}
我们可以再次执行它以查看输出
root@fa350df05ecf:/home/build# make && ./dcgan 11:13:48
Scanning dependencies of target dcgan
[ 50%] Building CXX object CMakeFiles/dcgan.dir/dcgan.cpp.o
[100%] Linking CXX executable dcgan
[100%] Built target dcgan
b: -0.1863
-0.8611
-0.1228
1.3269
0.9858
[ Variable[CPUFloatType]{5} ]
linear.weight: 0.0339 0.2484 0.2035 -0.2103
-0.0715 -0.2975 -0.4350 -0.1878
-0.3616 0.1050 -0.4982 0.0335
-0.1605 0.4963 0.4099 -0.2883
0.1818 -0.3447 -0.1501 -0.0215
[ Variable[CPUFloatType]{5,4} ]
linear.bias: -0.0250
0.0408
0.3756
-0.2149
-0.3636
[ Variable[CPUFloatType]{5} ]
注意
torch::nn::Module 的 文档 包含了操作模块层次结构的方法的完整列表。
在前向模式下运行网络#
要在 C++ 中执行网络，我们只需调用我们自己定义的 forward() 方法
int main() {
Net net(4, 5);
std::cout << net.forward(torch::ones({2, 4})) << std::endl;
}
这将打印类似以下内容
root@fa350df05ecf:/home/build# ./dcgan
0.8559 1.1572 2.1069 -0.1247 0.8060
0.8559 1.1572 2.1069 -0.1247 0.8060
[ Variable[CPUFloatType]{2,5} ]
模块所有权#
至此，我们已经知道如何在 C++ 中定义模块、注册参数、注册子模块、通过 parameters() 等方法遍历模块层次结构，以及运行模块的 forward() 方法。虽然 C++ API 中还有更多的方法、类和主题有待深入探讨，但我会将您引向 文档 以获取完整列表。在接下来实现 DCGAN 模型和端到端训练流水线时，我们也将触及更多概念。在此之前，让我简要介绍一下 C++ 前端为 torch::nn::Module 的子类提供的所有权模型。
对于本次讨论，所有权模型指的是存储模块和传递模块的方式——这决定了谁或什么拥有特定的模块实例。在 Python 中，对象总是动态分配的（在堆上），并具有引用语义。这非常易于使用且直观易懂。事实上，在 Python 中，您基本上可以忘记对象存放在哪里以及它们是如何被引用的，而专注于完成任务。
C++ 是一门底层语言，在这个领域提供了更多的选择。这增加了复杂性，并严重影响了 C++ 前端的设计和人体工程学。特别是，对于 C++ 前端中的模块，我们可以选择使用值语义或引用语义。第一种情况是最简单的，在到目前为止的示例中已经展示过：模块对象分配在栈上，当传递给函数时，可以被复制、移动（使用 std::move）或者按引用或按指针获取
struct Net : torch::nn::Module { };
void a(Net net) { }
void b(Net& net) { }
void c(Net* net) { }
int main() {
Net net;
a(net);
a(std::move(net));
b(net);
c(&net);
}
对于第二种情况——引用语义——我们可以使用 std::shared_ptr。引用语义的优势在于，像在 Python 中一样，它减少了思考模块必须如何传递给函数以及如何声明参数（假设您到处都使用 shared_ptr）的认知负担。
struct Net : torch::nn::Module {};
void a(std::shared_ptr<Net> net) { }
int main() {
auto net = std::make_shared<Net>();
a(net);
}
根据我们的经验，来自动态语言的研究人员非常偏爱引用语义而不是值语义，即使后者对于 C++ 来说更“原生”。同样重要的是要注意，为了保持与 Python API 人体工程学的接近，torch::nn::Module 的设计依赖于共享所有权。例如，采用我们之前（此处已缩短）的 Net 定义
struct Net : torch::nn::Module {
Net(int64_t N, int64_t M)
: linear(register_module("linear", torch::nn::Linear(N, M)))
{ }
torch::nn::Linear linear;
};
为了使用 linear 子模块，我们想将其直接存储在我们的类中。然而，我们也希望模块基类知道并有权访问这个子模块。为此，它必须存储对此子模块的引用。此时，我们已经达到了需要共享所有权的地步。torch::nn::Module 类和具体的 Net 类都需要引用该子模块。因此，基类将模块存储为 shared_ptr，因此具体类也必须这样做。
但是等等！我在上面的代码中没有看到任何关于 shared_ptr 的提及！这是为什么呢？嗯，因为 std::shared_ptr<MyModule> 太难键入了。为了保持研究人员的生产力，我们提出了一种复杂的方案来隐藏对 shared_ptr 的提及——这是通常保留给值语义的福利——同时保留了引用语义。为了理解它是如何工作的，我们可以看看核心库中 torch::nn::Linear 模块的简化定义（完整定义在 此处）
struct LinearImpl : torch::nn::Module {
LinearImpl(int64_t in, int64_t out);
Tensor forward(const Tensor& input);
Tensor weight, bias;
};
TORCH_MODULE(Linear);
简而言之：该模块不叫 Linear，而叫 LinearImpl。宏 TORCH_MODULE 然后定义实际的 Linear 类。这个“生成的”类实际上是 std::shared_ptr<LinearImpl> 的包装器。它是一个包装器而不是一个简单的 typedef，因此除了其他事项外，构造函数仍然可以按预期工作，即您仍然可以编写 torch::nn::Linear(3, 4) 而不是 std::make_shared<LinearImpl>(3, 4)。我们称该宏创建的类为模块持有者。与（共享）指针一样，您使用箭头运算符访问底层对象（如 model->forward(...)）。最终结果是一个非常接近 Python API 的所有权模型。引用语义成为默认设置，但没有 std::shared_ptr 或 std::make_shared 的额外键入。对于我们的 Net，使用模块持有者 API 看起来像这样
struct NetImpl : torch::nn::Module {};
TORCH_MODULE(Net);
void a(Net net) { }
int main() {
Net net;
a(net);
}
这里有一个值得一提的微妙问题。默认构造的 std::shared_ptr 是“空的”，即包含空指针。什么是默认构造的 Linear 或 Net？这是一个棘手的选择。我们可以说它应该是一个空的（空）std::shared_ptr<LinearImpl>。然而，请记住 Linear(3, 4) 与 std::make_shared<LinearImpl>(3, 4) 相同。这意味着如果我们决定 Linear linear; 应该是一个空指针，那么就无法构造一个不需要任何构造函数参数，或全部使用默认值的模块。因此，在当前的 API 中，默认构造的模块持有者（如 Linear()）会调用底层模块（LinearImpl()）的默认构造函数。如果底层模块没有默认构造函数，您将收到编译器错误。要改为构造空持有者，您可以将 nullptr 传递给持有者的构造函数。
在实践中，这意味着您可以使用子模块，如下所示，其中模块在初始化列表中注册和构造
struct Net : torch::nn::Module {
Net(int64_t N, int64_t M)
: linear(register_module("linear", torch::nn::Linear(N, M)))
{ }
torch::nn::Linear linear;
};
或者您可以先构造一个带有空指针的持有者，然后在构造函数中对其赋值（对于 Python 用户更熟悉）
struct Net : torch::nn::Module {
Net(int64_t N, int64_t M) {
linear = register_module("linear", torch::nn::Linear(N, M));
}
torch::nn::Linear linear{nullptr}; // construct an empty holder
};
总之：您应该使用哪种所有权模型——哪种语义？C++ 前端的 API 最支持由模块持有者提供的所有权模型。此机制的唯一缺点是模块声明下方多了一行样板代码。也就是说，最简单的模型仍然是 C++ 模块介绍中展示的值语义模型。对于小型、简单的脚本，您也可以侥幸使用它。但迟早您会发现，由于技术原因，它并不总是受支持。例如，序列化 API（torch::save 和 torch::load）仅支持模块持有者（或纯 shared_ptr）。因此，模块持有者 API 是使用 C++ 前端定义模块的推荐方式，我们从现在起在本教程中将使用此 API。
定义 DCGAN 模块#
我们现在有了必要的背景和介绍来定义我们要在这篇文章中解决的机器学习任务的模块。回顾一下：我们的任务是生成 MNIST 数据集 中的数字图像。我们想使用 生成对抗网络 (GAN) 来解决这个任务。具体来说，我们将使用 DCGAN 架构——这是同类架构中最早且最简单的架构之一，但对于此任务完全足够。
提示
您可以在 此仓库中 找到本教程中提供的完整源代码。
什么是 GAN？#
GAN 由两个不同的神经网络模型组成：生成器和判别器。生成器接收来自噪声分布的样本，其目标是将每个噪声样本转换为看起来像目标分布（在本例中为 MNIST 数据集）图像的图像。判别器反过来接收来自 MNIST 数据集的真实图像或来自生成器的虚假图像。它被要求输出一个概率，判断特定图像有多真实（接近 1）或多虚假（接近 0）。来自判别器关于生成器生成的图像有多真实的反馈被用于训练生成器。关于判别器对真实性辨别能力有多强的反馈被用于优化判别器。理论上，生成器和判别器之间的微妙平衡使它们同步改进，导致生成器产生与目标分布无法区分的图像，欺骗判别器（届时已具备优秀的眼光）对真实和虚假图像都输出 0.5 的概率。对我们来说，最终结果是一个接收噪声作为输入并生成逼真的数字图像作为输出的机器。
生成器模块#
我们首先定义生成器模块，它由一系列转置 2D 卷积、批归一化和 ReLU 激活单元组成。我们在我们自己定义的模块的 forward() 方法中显式地（以函数式方式）在模块之间传递输入
struct DCGANGeneratorImpl : nn::Module {
DCGANGeneratorImpl(int kNoiseSize)
: conv1(nn::ConvTranspose2dOptions(kNoiseSize, 256, 4)
.bias(false)),
batch_norm1(256),
conv2(nn::ConvTranspose2dOptions(256, 128, 3)
.stride(2)
.padding(1)
.bias(false)),
batch_norm2(128),
conv3(nn::ConvTranspose2dOptions(128, 64, 4)
.stride(2)
.padding(1)
.bias(false)),
batch_norm3(64),
conv4(nn::ConvTranspose2dOptions(64, 1, 4)
.stride(2)
.padding(1)
.bias(false))
{
// register_module() is needed if we want to use the parameters() method later on
register_module("conv1", conv1);
register_module("conv2", conv2);
register_module("conv3", conv3);
register_module("conv4", conv4);
register_module("batch_norm1", batch_norm1);
register_module("batch_norm2", batch_norm2);
register_module("batch_norm3", batch_norm3);
}
torch::Tensor forward(torch::Tensor x) {
x = torch::relu(batch_norm1(conv1(x)));
x = torch::relu(batch_norm2(conv2(x)));
x = torch::relu(batch_norm3(conv3(x)));
x = torch::tanh(conv4(x));
return x;
}
nn::ConvTranspose2d conv1, conv2, conv3, conv4;
nn::BatchNorm2d batch_norm1, batch_norm2, batch_norm3;
};
TORCH_MODULE(DCGANGenerator);
DCGANGenerator generator(kNoiseSize);
我们现在可以在 DCGANGenerator 上调用 forward() 来将噪声样本映射到图像。
选择的特定模块，如 nn::ConvTranspose2d 和 nn::BatchNorm2d，遵循上述结构。kNoiseSize 常量确定输入噪声向量的大小，并设置为 100。超参数当然是通过研究生梯度下降（grad student descent）找到的。
注意
在发现超参数的过程中没有研究生受到伤害。他们定期被喂食 Soylent。
注意
关于选项如何传递给 C++ 前端中像 Conv2d 这样的内置模块的简要说明：每个模块都有一些必需的选项，例如 BatchNorm2d 的特征数量。如果您只需要配置必需的选项，则可以直接将它们传递给模块的构造函数，例如 BatchNorm2d(128) 或 Dropout(0.5) 或 Conv2d(8, 4, 2)（分别用于输入通道数、输出通道数和卷积核大小）。但是，如果您需要修改其他通常为默认值的选项（例如 Conv2d 的 bias），则需要构造并传递一个选项对象。C++ 前端中的每个模块都有一个关联的选项结构体，称为 ModuleOptions，其中 Module 是模块的名称，例如 Linear 的 LinearOptions。这就是我们对上面的 Conv2d 模块所做的。
判别器模块#
判别器同样是一系列卷积、批归一化和激活。然而，卷积现在是常规卷积而不是转置卷积，并且我们使用 alpha 值为 0.2 的带泄漏 ReLU（leaky ReLU）而不是普通的 ReLU。此外，最终激活变为 Sigmoid，它将值压缩到 0 和 1 之间的范围内。然后我们可以将这些压缩后的值解释为判别器分配给图像为真实图像的概率。
为了构建判别器，我们将尝试不同的方法：一个 Sequential 模块。像在 Python 中一样，PyTorch 在这里提供了两种模型定义 API：一种函数式 API（输入被传递通过连续函数，例如生成器模块示例），以及一种更面向对象的 API，其中我们构建一个包含整个模型作为子模块的 Sequential 模块。使用 Sequential，判别器看起来会像这样
nn::Sequential discriminator(
// Layer 1
nn::Conv2d(
nn::Conv2dOptions(1, 64, 4).stride(2).padding(1).bias(false)),
nn::LeakyReLU(nn::LeakyReLUOptions().negative_slope(0.2)),
// Layer 2
nn::Conv2d(
nn::Conv2dOptions(64, 128, 4).stride(2).padding(1).bias(false)),
nn::BatchNorm2d(128),
nn::LeakyReLU(nn::LeakyReLUOptions().negative_slope(0.2)),
// Layer 3
nn::Conv2d(
nn::Conv2dOptions(128, 256, 4).stride(2).padding(1).bias(false)),
nn::BatchNorm2d(256),
nn::LeakyReLU(nn::LeakyReLUOptions().negative_slope(0.2)),
// Layer 4
nn::Conv2d(
nn::Conv2dOptions(256, 1, 3).stride(1).padding(0).bias(false)),
nn::Sigmoid());
提示
一个 Sequential 模块只是执行函数组合。第一个子模块的输出成为第二个的输入，第三个的输出成为第四个的输入，依此类推。
加载数据#
既然我们已经定义了生成器和判别器模型，我们需要一些数据来训练这些模型。C++ 前端与 Python 前端一样，自带一个强大的并行数据加载器。此数据加载器可以从数据集（您可以自己定义）中读取数据批次，并提供许多配置选项。
注意
虽然 Python 数据加载器使用多进程，但 C++ 数据加载器是真正多线程的，并且不会启动任何新进程。
数据加载器是 C++ 前端 data API 的一部分，包含在 torch::data:: 命名空间中。此 API 由几个不同的组件组成
数据加载器类，
用于定义数据集的 API，
用于定义可以应用于数据集的转换（transforms）的 API，
用于定义采样器（samplers）的 API，它们产生对数据集进行索引的索引，
现有数据集、转换和采样器的库。
在本教程中，我们可以使用 C++ 前端自带的 MNIST 数据集。让我们为此实例化一个 torch::data::datasets::MNIST，并应用两个转换：首先，我们将图像归一化，使其处于 -1 到 +1 的范围内（从原始的 0 到 1 范围）。其次，我们应用 Stack 整理（collation），它获取一批张量并将它们沿第一个维度堆叠成一个单一的张量
auto dataset = torch::data::datasets::MNIST("./mnist")
.map(torch::data::transforms::Normalize<>(0.5, 0.5))
.map(torch::data::transforms::Stack<>());
请注意，MNIST 数据集应位于相对于您执行训练二进制文件所在的 ./mnist 目录中。您可以使用 此脚本 下载 MNIST 数据集。
接下来，我们创建一个数据加载器并将此数据集传递给它。为了制作一个新的数据加载器，我们使用 torch::data::make_data_loader，它返回正确类型的 std::unique_ptr（这取决于数据集的类型、采样器的类型以及一些其他实现细节）
auto data_loader = torch::data::make_data_loader(std::move(dataset));
数据加载器确实附带了很多选项。您可以 在此处 查看完整集合。例如，为了加快数据加载速度，我们可以增加工作线程的数量。默认数量为零，这意味着将使用主线程。如果我们设置 workers 为 2，将生成两个并发加载数据的线程。我们还应该将批次大小从默认的 1 增加到更合理的大小，如 64（kBatchSize 的值）。所以让我们创建一个 DataLoaderOptions 对象并设置适当的属性
auto data_loader = torch::data::make_data_loader(
std::move(dataset),
torch::data::DataLoaderOptions().batch_size(kBatchSize).workers(2));
我们现在可以编写一个循环来加载数据批次，目前我们只将其打印到控制台
for (torch::data::Example<>& batch : *data_loader) {
std::cout << "Batch size: " << batch.data.size(0) << " | Labels: ";
for (int64_t i = 0; i < batch.data.size(0); ++i) {
std::cout << batch.target[i].item<int64_t>() << " ";
}
std::cout << std::endl;
}
在这种情况下，数据加载器返回的类型是 torch::data::Example。此类型是一个简单的结构体，具有用于数据的 data 字段和用于标签的 target 字段。因为我们之前应用了 Stack 整理，数据加载器只返回一个这样的示例。如果我们没有应用整理，数据加载器将产生 std::vector<torch::data::Example<>>，批次中每个示例一个元素。
如果您重新构建并运行此代码，您应该会看到类似以下内容
root@fa350df05ecf:/home/build# make
Scanning dependencies of target dcgan
[ 50%] Building CXX object CMakeFiles/dcgan.dir/dcgan.cpp.o
[100%] Linking CXX executable dcgan
[100%] Built target dcgan
root@fa350df05ecf:/home/build# make
[100%] Built target dcgan
root@fa350df05ecf:/home/build# ./dcgan
Batch size: 64 | Labels: 5 2 6 7 2 1 6 7 0 1 6 2 3 6 9 1 8 4 0 6 5 3 3 0 4 6 6 6 4 0 8 6 0 6 9 2 4 0 2 8 6 3 3 2 9 2 0 1 4 2 3 4 8 2 9 9 3 5 8 0 0 7 9 9
Batch size: 64 | Labels: 2 2 4 7 1 2 8 8 6 9 0 2 2 9 3 6 1 3 8 0 4 4 8 8 8 9 2 6 4 7 1 5 0 9 7 5 4 3 5 4 1 2 8 0 7 1 9 6 1 6 5 3 4 4 1 2 3 2 3 5 0 1 6 2
Batch size: 64 | Labels: 4 5 4 2 1 4 8 3 8 3 6 1 5 4 3 6 2 2 5 1 3 1 5 0 8 2 1 5 3 2 4 4 5 9 7 2 8 9 2 0 6 7 4 3 8 3 5 8 8 3 0 5 8 0 8 7 8 5 5 6 1 7 8 0
Batch size: 64 | Labels: 3 3 7 1 4 1 6 1 0 3 6 4 0 2 5 4 0 4 2 8 1 9 6 5 1 6 3 2 8 9 2 3 8 7 4 5 9 6 0 8 3 0 0 6 4 8 2 5 4 1 8 3 7 8 0 0 8 9 6 7 2 1 4 7
Batch size: 64 | Labels: 3 0 5 5 9 8 3 9 8 9 5 9 5 0 4 1 2 7 7 2 0 0 5 4 8 7 7 6 1 0 7 9 3 0 6 3 2 6 2 7 6 3 3 4 0 5 8 8 9 1 9 2 1 9 4 4 9 2 4 6 2 9 4 0
Batch size: 64 | Labels: 9 6 7 5 3 5 9 0 8 6 6 7 8 2 1 9 8 8 1 1 8 2 0 7 1 4 1 6 7 5 1 7 7 4 0 3 2 9 0 6 6 3 4 4 8 1 2 8 6 9 2 0 3 1 2 8 5 6 4 8 5 8 6 2
Batch size: 64 | Labels: 9 3 0 3 6 5 1 8 6 0 1 9 9 1 6 1 7 7 4 4 4 7 8 8 6 7 8 2 6 0 4 6 8 2 5 3 9 8 4 0 9 9 3 7 0 5 8 2 4 5 6 2 8 2 5 3 7 1 9 1 8 2 2 7
Batch size: 64 | Labels: 9 1 9 2 7 2 6 0 8 6 8 7 7 4 8 6 1 1 6 8 5 7 9 1 3 2 0 5 1 7 3 1 6 1 0 8 6 0 8 1 0 5 4 9 3 8 5 8 4 8 0 1 2 6 2 4 2 7 7 3 7 4 5 3
Batch size: 64 | Labels: 8 8 3 1 8 6 4 2 9 5 8 0 2 8 6 6 7 0 9 8 3 8 7 1 6 6 2 7 7 4 5 5 2 1 7 9 5 4 9 1 0 3 1 9 3 9 8 8 5 3 7 5 3 6 8 9 4 2 0 1 2 5 4 7
Batch size: 64 | Labels: 9 2 7 0 8 4 4 2 7 5 0 0 6 2 0 5 9 5 9 8 8 9 3 5 7 5 4 7 3 0 5 7 6 5 7 1 6 2 8 7 6 3 2 6 5 6 1 2 7 7 0 0 5 9 0 0 9 1 7 8 3 2 9 4
Batch size: 64 | Labels: 7 6 5 7 7 5 2 2 4 9 9 4 8 7 4 8 9 4 5 7 1 2 6 9 8 5 1 2 3 6 7 8 1 1 3 9 8 7 9 5 0 8 5 1 8 7 2 6 5 1 2 0 9 7 4 0 9 0 4 6 0 0 8 6
...
这意味着我们已成功从 MNIST 数据集加载数据。
编写训练循环#
现在让我们完成示例的算法部分，并实现生成器和判别器之间的微妙舞蹈。首先，我们将创建两个优化器，一个用于生成器，一个用于判别器。我们使用的优化器实现了 Adam 算法
torch::optim::Adam generator_optimizer(
generator->parameters(), torch::optim::AdamOptions(2e-4).betas(std::make_tuple(0.5, 0.5)));
torch::optim::Adam discriminator_optimizer(
discriminator->parameters(), torch::optim::AdamOptions(5e-4).betas(std::make_tuple(0.5, 0.5)));
注意
在撰写本文时，C++ 前端提供了实现 Adagrad、Adam、LBFGS、RMSprop 和 SGD 的优化器。文档中有最新列表。
接下来，我们需要更新我们的训练循环。我们将添加一个外部循环以在每个 epoch 耗尽数据加载器，然后编写 GAN 训练代码
for (int64_t epoch = 1; epoch <= kNumberOfEpochs; ++epoch) {
int64_t batch_index = 0;
for (torch::data::Example<>& batch : *data_loader) {
// Train discriminator with real images.
discriminator->zero_grad();
torch::Tensor real_images = batch.data;
torch::Tensor real_labels = torch::empty(batch.data.size(0)).uniform_(0.8, 1.0);
torch::Tensor real_output = discriminator->forward(real_images).reshape(real_labels.sizes());
torch::Tensor d_loss_real = torch::binary_cross_entropy(real_output, real_labels);
d_loss_real.backward();
// Train discriminator with fake images.
torch::Tensor noise = torch::randn({batch.data.size(0), kNoiseSize, 1, 1});
torch::Tensor fake_images = generator->forward(noise);
torch::Tensor fake_labels = torch::zeros(batch.data.size(0));
torch::Tensor fake_output = discriminator->forward(fake_images.detach()).reshape(fake_labels.sizes());
torch::Tensor d_loss_fake = torch::binary_cross_entropy(fake_output, fake_labels);
d_loss_fake.backward();
torch::Tensor d_loss = d_loss_real + d_loss_fake;
discriminator_optimizer.step();
// Train generator.
generator->zero_grad();
fake_labels.fill_(1);
fake_output = discriminator->forward(fake_images).reshape(fake_labels.sizes());
torch::Tensor g_loss = torch::binary_cross_entropy(fake_output, fake_labels);
g_loss.backward();
generator_optimizer.step();
std::printf(
"\r[%2ld/%2ld][%3ld/%3ld] D_loss: %.4f | G_loss: %.4f",
epoch,
kNumberOfEpochs,
++batch_index,
batches_per_epoch,
d_loss.item<float>(),
g_loss.item<float>());
}
}
在上面，我们首先在真实图像上评估判别器，它应该为其分配高概率。为此，我们使用 torch::empty(batch.data.size(0)).uniform_(0.8, 1.0) 作为目标概率。
注意
我们选择在 0.8 和 1.0 之间均匀分布的随机值，而不是到处都使用 1.0，以使判别器训练更加稳健。这个技巧称为标签平滑（label smoothing）。
在评估判别器之前，我们将参数的梯度清零。计算损失后，我们通过调用 d_loss.backward() 将其通过网络反向传播，以计算新的梯度。我们对虚假图像重复此过程。我们没有使用数据集中的图像，而是让生成器通过为其提供一批随机噪声来创建虚假图像。然后我们将那些虚假图像传递给判别器。这一次，我们希望判别器发出低概率，理想情况下全为零。一旦我们计算了真实图像批次和虚假图像批次的判别器损失，我们就可以向前推进判别器的优化器一步，以便更新其参数。
为了训练生成器，我们再次先将其梯度清零，然后重新评估判别器对虚假图像的评估。然而，这一次我们希望判别器分配非常接近 1 的概率，这将表明生成器可以产生欺骗判别器认为它们实际上是真实的（来自数据集）的图像。为此，我们将 fake_labels 张量填充为全 1。最后，我们步进生成器的优化器以更新其参数。
我们现在应该准备好在 CPU 上训练我们的模型了。我们还没有任何用于捕获状态或采样输出的代码，但我们稍后会添加。现在，让我们观察我们的模型正在做某事——我们稍后将根据生成的图像验证这某事是否有意义。重新构建并运行应该会打印类似以下内容
root@3c0711f20896:/home/build# make && ./dcgan
Scanning dependencies of target dcgan
[ 50%] Building CXX object CMakeFiles/dcgan.dir/dcgan.cpp.o
[100%] Linking CXX executable dcgan
[100%] Built target dcga
[ 1/10][100/938] D_loss: 0.6876 | G_loss: 4.1304
[ 1/10][200/938] D_loss: 0.3776 | G_loss: 4.3101
[ 1/10][300/938] D_loss: 0.3652 | G_loss: 4.6626
[ 1/10][400/938] D_loss: 0.8057 | G_loss: 2.2795
[ 1/10][500/938] D_loss: 0.3531 | G_loss: 4.4452
[ 1/10][600/938] D_loss: 0.3501 | G_loss: 5.0811
[ 1/10][700/938] D_loss: 0.3581 | G_loss: 4.5623
[ 1/10][800/938] D_loss: 0.6423 | G_loss: 1.7385
[ 1/10][900/938] D_loss: 0.3592 | G_loss: 4.7333
[ 2/10][100/938] D_loss: 0.4660 | G_loss: 2.5242
[ 2/10][200/938] D_loss: 0.6364 | G_loss: 2.0886
[ 2/10][300/938] D_loss: 0.3717 | G_loss: 3.8103
[ 2/10][400/938] D_loss: 1.0201 | G_loss: 1.3544
[ 2/10][500/938] D_loss: 0.4522 | G_loss: 2.6545
...
移动到 GPU#
虽然我们当前的脚本可以在 CPU 上正常运行，但我们都知道卷积在 GPU 上要快得多。让我们快速讨论如何将训练移动到 GPU 上。为此，我们需要做两件事：将 GPU 设备规范传递给我们自己分配的张量，并显式地通过 C++ 前端中所有张量和模块都具有的 to() 方法将任何其他张量复制到 GPU 上。实现这两者的最简单方法是在训练脚本的顶层创建一个 torch::Device 实例，然后将该设备传递给张量工厂函数（如 torch::zeros）以及 to() 方法。我们可以从使用 CPU 设备开始
// Place this somewhere at the top of your training script.
torch::Device device(torch::kCPU);
新的张量分配如
torch::Tensor fake_labels = torch::zeros(batch.data.size(0));
应该更新为将 device 作为最后一个参数
torch::Tensor fake_labels = torch::zeros(batch.data.size(0), device);
对于非我们创建的张量（如来自 MNIST 数据集的张量），我们必须插入显式的 to() 调用。这意味着
torch::Tensor real_images = batch.data;
变为
torch::Tensor real_images = batch.data.to(device);
此外，我们的模型参数也应移动到正确的设备
generator->to(device);
discriminator->to(device);
注意
如果一个张量已经位于传递给 to() 的设备上，则该调用为 no-op。不会进行额外的复制。
此时，我们只是让之前驻留在 CPU 上的代码更加明确。然而，现在更改设备为 CUDA 设备也非常容易
torch::Device device(torch::kCUDA)
现在所有张量都将驻留在 GPU 上，调用快速的 CUDA 内核进行所有操作，而无需我们更改任何下游代码。如果我们想指定特定的设备索引，它可以作为第二个参数传递给 Device 构造函数。如果我们想让不同的张量驻留在不同的设备上，我们可以传递单独的设备实例（例如一个在 CUDA 设备 0 上，另一个在 CUDA 设备 1 上）。我们甚至可以动态地进行此配置，这对于使我们的训练脚本更具可移植性通常很有用
torch::Device device = torch::kCPU;
if (torch::cuda::is_available()) {
std::cout << "CUDA is available! Training on GPU." << std::endl;
device = torch::kCUDA;
}
甚至
torch::Device device(torch::cuda::is_available() ? torch::kCUDA : torch::kCPU);
检查点保存与恢复训练状态#
我们应该对训练脚本进行的最后增强是定期保存模型参数的状态、优化器的状态以及一些生成的图像样本。如果我们的计算机在训练过程中崩溃，前两者将允许我们恢复训练状态。对于长时间的训练会话，这绝对是必不可少的。幸运的是，C++ 前端提供了一个 API 来序列化和反序列化模型和优化器状态，以及单个张量。
其核心 API 是 torch::save(thing,filename) 和 torch::load(thing,filename)，其中 thing 可以是 torch::nn::Module 子类或优化器实例（如我们在训练脚本中拥有的 Adam 对象）。让我们更新我们的训练循环，以一定的间隔对模型和优化器状态进行检查点保存
if (batch_index % kCheckpointEvery == 0) {
// Checkpoint the model and optimizer state.
torch::save(generator, "generator-checkpoint.pt");
torch::save(generator_optimizer, "generator-optimizer-checkpoint.pt");
torch::save(discriminator, "discriminator-checkpoint.pt");
torch::save(discriminator_optimizer, "discriminator-optimizer-checkpoint.pt");
// Sample the generator and save the images.
torch::Tensor samples = generator->forward(torch::randn({8, kNoiseSize, 1, 1}, device));
torch::save((samples + 1.0) / 2.0, torch::str("dcgan-sample-", checkpoint_counter, ".pt"));
std::cout << "\n-> checkpoint " << ++checkpoint_counter << '\n';
}
其中 kCheckpointEvery 是一个整数，设置为像 100 这样的值，以每 100 个批次进行检查点保存，而 checkpoint_counter 是每次我们进行检查点保存时增加的计数器。
要恢复训练状态，您可以在创建所有模型和优化器之后，但在训练循环之前添加类似以下的行
torch::optim::Adam generator_optimizer(
generator->parameters(), torch::optim::AdamOptions(2e-4).beta1(0.5));
torch::optim::Adam discriminator_optimizer(
discriminator->parameters(), torch::optim::AdamOptions(2e-4).beta1(0.5));
if (kRestoreFromCheckpoint) {
torch::load(generator, "generator-checkpoint.pt");
torch::load(generator_optimizer, "generator-optimizer-checkpoint.pt");
torch::load(discriminator, "discriminator-checkpoint.pt");
torch::load(
discriminator_optimizer, "discriminator-optimizer-checkpoint.pt");
}
int64_t checkpoint_counter = 0;
for (int64_t epoch = 1; epoch <= kNumberOfEpochs; ++epoch) {
int64_t batch_index = 0;
for (torch::data::Example<>& batch : *data_loader) {
检查生成的图像#
我们的训练脚本现在完成了。我们准备好在 CPU 或 GPU 上训练我们的 GAN。为了检查我们训练过程的中间输出（我们添加了代码定期将图像样本保存到 "dcgan-sample-xxx.pt" 文件），我们可以编写一个微小的 Python 脚本来加载张量并使用 matplotlib 显示它们
import argparse
import matplotlib.pyplot as plt
import torch
parser = argparse.ArgumentParser()
parser.add_argument("-i", "--sample-file", required=True)
parser.add_argument("-o", "--out-file", default="out.png")
parser.add_argument("-d", "--dimension", type=int, default=3)
options = parser.parse_args()
module = torch.jit.load(options.sample_file)
images = list(module.parameters())[0]
for index in range(options.dimension * options.dimension):
image = images[index].detach().cpu().reshape(28, 28).mul(255).to(torch.uint8)
array = image.numpy()
axis = plt.subplot(options.dimension, options.dimension, 1 + index)
plt.imshow(array, cmap="gray")
axis.get_xaxis().set_visible(False)
axis.get_yaxis().set_visible(False)
plt.savefig(options.out_file)
print("Saved ", options.out_file)
现在让我们将模型训练大约 30 个 epoch
root@3c0711f20896:/home/build# make && ./dcgan 10:17:57
Scanning dependencies of target dcgan
[ 50%] Building CXX object CMakeFiles/dcgan.dir/dcgan.cpp.o
[100%] Linking CXX executable dcgan
[100%] Built target dcgan
CUDA is available! Training on GPU.
[ 1/30][200/938] D_loss: 0.4953 | G_loss: 4.0195
-> checkpoint 1
[ 1/30][400/938] D_loss: 0.3610 | G_loss: 4.8148
-> checkpoint 2
[ 1/30][600/938] D_loss: 0.4072 | G_loss: 4.36760
-> checkpoint 3
[ 1/30][800/938] D_loss: 0.4444 | G_loss: 4.0250
-> checkpoint 4
[ 2/30][200/938] D_loss: 0.3761 | G_loss: 3.8790
-> checkpoint 5
[ 2/30][400/938] D_loss: 0.3977 | G_loss: 3.3315
...
-> checkpoint 120
[30/30][938/938] D_loss: 0.3610 | G_loss: 3.8084
并在绘图中显示图像
root@3c0711f20896:/home/build# python display.py -i dcgan-sample-100.pt
Saved out.png
这看起来应该像这样
数字！万岁！现在球在您手中：您能改进模型以使数字看起来更好吗？
结论#
希望本教程能让您对 PyTorch C++ 前端有一个易于消化的概述。像 PyTorch 这样的机器学习库必然拥有非常广泛和庞大的 API。因此，有许多概念我们在这里没有时间和空间讨论。但是，我鼓励您试用该 API，并在遇到困难时查阅 我们的文档，尤其是 库 API 部分。另外，请记住，只要我们能够做到这一点，就可以期望 C++ 前端遵循 Python 前端的设计和语义，因此您可以利用这一事实来提高您的学习速度。
提示
您可以在 此仓库中 找到本教程中提供的完整源代码。
一如既往，如果您遇到任何问题或有疑问，可以使用我们的 论坛 或 GitHub issues 与我们联系。