C++#
创建于：2020年5月14日 | 最后更新于：2025年4月16日
注意
如果您正在寻找 PyTorch C++ API 文档，请直接前往此处。
PyTorch 提供了多种使用 C++ 的功能，最好根据您的需求进行选择。总的来说，提供以下支持：
TorchScript C++ API#
TorchScript 允许将在 Python 中定义的 PyTorch 模型序列化，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。您可以在在 C++ 中加载 TorchScript 模型教程中了解更多。这意味着您可以尽可能多地在 Python 中定义模型，然后通过 TorchScript 导出，以便在生产或嵌入式环境中进行无 Python 的执行。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，提取子模块）
使用 C++ Tensor API 构建输入并进行预处理
使用 C++ 扩展 PyTorch 和 TorchScript#
TorchScript 可以通过自定义运算符和自定义类来增强用户提供的代码。一旦注册到 TorchScript，这些运算符和类就可以在从 Python 或 C++ 运行的 TorchScript 代码中调用，作为序列化 TorchScript 模型的一部分。使用自定义 C++ 运算符扩展 TorchScript 教程详细介绍了如何将 TorchScript 与 OpenCV 连接。除了使用自定义运算符包装函数调用外，还可以通过类似 pybind11 的接口将 C++ 类和结构体绑定到 TorchScript，这在使用自定义 C++ 类扩展 TorchScript教程中有解释。
C++ 中的 Tensor 和 Autograd#
PyTorch Python API 中的大多数张量和自动求导操作在 C++ API 中也可用。这些包括：
torch::Tensor的方法，如add/reshape/clone。有关可用方法的完整列表，请参阅：https://pytorch.ac.cn/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.ac.cn/cppdocs/notes/tensor_indexing.html
张量自动求导 API 和
torch::autograd包，这对于在 C++ 前端构建动态神经网络至关重要。更多详情，请参阅：https://pytorch.ac.cn/tutorials/advanced/cpp_autograd.html
在 C++ 中编写模型#
“在 TorchScript 中编写，在 C++ 中推理”的工作流程要求模型编写在 TorchScript 中完成。然而，在某些情况下，模型可能必须在 C++ 中编写（例如，在不希望有 Python 组件的工作流程中）。为了满足此类用例，我们提供了在 C++ 中纯粹编写和训练神经网络模型的全部能力，并配有熟悉的组件，如 torch::nn / torch::nn::functional / torch::optim，这些组件与 Python API 非常相似。
关于 PyTorch C++ 模型编写和训练 API 的概述，请参阅：https://pytorch.ac.cn/cppdocs/frontend.html
关于如何使用该 API 的详细教程，请参阅：https://pytorch.ac.cn/tutorials/advanced/cpp_frontend.html
关于
torch::nn/torch::nn::functional/torch::optim等组件的文档，可以在以下位置找到：https://pytorch.ac.cn/cppdocs/api/library_root.html
C++ 打包#
关于如何安装和链接 libtorch（包含上述所有 C++ API 的库）的指导，请参阅：https://pytorch.ac.cn/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，您应根据您系统使用的 GCC ABI 进行选择。