PyTorch C++ API#
这些页面提供了 PyTorch C++ API 公共部分的文档。此 API 大致可分为五个部分
ATen：作为所有其他构建基础的核心张量和数学运算库。
Autograd：通过自动微分增强 ATen。
C++ 前端：用于机器学习模型训练和评估的高级结构。
TorchScript：TorchScript JIT 编译器和解释器的接口。
C++ 扩展：通过自定义 C++ 和 CUDA 例程扩展 Python API 的方法。
这些构建块结合起来，形成了一个研究和生产就绪的 C++ 张量计算和动态神经网络库，强调 GPU 加速和快速 CPU 性能。它目前正在 Facebook 的研究和生产中使用；我们期待着 PyTorch C++ API 的更多用户。
警告
目前，C++ API 应被视为“测试版”稳定性；我们可能会对后端进行重大破坏性更改以改进 API，或为了提供 PyTorch 的 Python 接口，这是我们最稳定和支持最好的接口。
ATen#
ATen 本质上是一个张量库，几乎所有其他 PyTorch 中的 Python 和 C++ 接口都建立在其之上。它提供了一个核心 Tensor 类，其上定义了数百个操作。这些操作大多数都有 CPU 和 GPU 实现，Tensor 类将根据其类型动态调度。使用 ATen 的一个简单示例可能如下所示
#include <ATen/ATen.h>
at::Tensor a = at::ones({2, 2}, at::kInt);
at::Tensor b = at::randn({2, 2});
auto c = a + b.to(at::kInt);
这个 Tensor 类和 ATen 中的所有其他符号都可以在 at:: 命名空间中找到，文档 在此处。
Autograd#
我们所说的 autograd 是 PyTorch C++ API 中增强 ATen Tensor 类自动微分功能的部分。自动微分系统记录张量上的操作以形成一个 autograd 图。在此图中的叶变量上调用 backwards() 会通过跨越 autograd 图的函数和张量网络执行反向模式微分，最终产生梯度。以下示例提供了此接口的体验
#include <torch/csrc/autograd/variable.h>
#include <torch/csrc/autograd/function.h>
torch::Tensor a = torch::ones({2, 2}, torch::requires_grad());
torch::Tensor b = torch::randn({2, 2});
auto c = a + b;
c.backward(); // a.grad() will now hold the gradient of c w.r.t. a.
ATen 中的 at::Tensor 类默认不可微分。要添加 autograd API 提供的张量可微分性，您必须使用 torch:: 命名空间中的张量工厂函数，而不是 at:: 命名空间。例如，使用 at::ones 创建的张量将不可微分，而使用 torch::ones 创建的张量将可微分。
C++ 前端#
PyTorch C++ 前端为神经网络和通用机器学习 (ML) 研究和生产用例提供了一个高级的纯 C++ 建模接口，其设计和提供的功能与 Python API 大致相同。C++ 前端包括以下内容：
通过分层模块系统（如
torch.nn.Module）定义机器学习模型的接口；用于最常见建模目的（例如卷积、RNN、批归一化等）的预先存在的模块的“标准库”；
优化 API，包括流行的优化器实现，如 SGD、Adam、RMSprop 等；
表示数据集和数据管道的方法，包括在多个 CPU 核上并行加载数据的功能；
用于存储和加载训练会话检查点的序列化格式（如
torch.utils.data.DataLoader）；模型到多个 GPU 的自动并行化（如
torch.nn.parallel.DataParallel）；支持代码，便于使用 pybind11 将 C++ 模型绑定到 Python；
TorchScript JIT 编译器的入口点；
有助于与 ATen 和 Autograd API 接口的实用工具。
有关 C++ 前端的更详细描述，请参阅此文档。与 C++ 前端相关的 torch:: 命名空间部分包括 torch::nn、torch::optim、torch::data、torch::serialize、torch::jit 和 torch::python。C++ 前端示例可在此仓库中找到，该仓库正在持续积极扩展。
注意
除非您有特殊原因需要将自己严格限制在 ATen 或 Autograd API 中，否则 C++ 前端是 PyTorch C++ 生态系统的推荐入口点。虽然我们仍在收集用户反馈（来自您！），它仍处于测试阶段，但它比 ATen 和 Autograd API 提供更多的功能和更好的稳定性保证。
TorchScript#
TorchScript 是 PyTorch 模型的一种表示，可以被 TorchScript 编译器理解、编译和序列化。从根本上说，TorchScript 本身就是一种编程语言。它是使用 PyTorch API 的 Python 子集。TorchScript 的 C++ 接口包含三个主要功能
一种加载和执行在 Python 中定义的序列化 TorchScript 模型的机制；
一种定义自定义操作符以扩展 TorchScript 操作标准库的 API；
从 C++ 对 TorchScript 程序进行即时编译。
如果您希望尽可能多地在 Python 中定义模型，但随后将其导出到 C++ 以用于生产环境和无 Python 推理，那么第一种机制可能对您非常有益。您可以通过此链接了解更多信息。第二个 API 关注您希望使用自定义操作符扩展 TorchScript 的场景，这些操作符同样可以在推理期间从 C++ 序列化和调用。最后，torch::jit::compile 函数可用于直接从 C++ 访问 TorchScript 编译器。
