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
如何构建一个利用 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
对 C++ 编程有基础了解
带有 CMake >= 3.5 的基础 Ubuntu Linux 环境；类似的命令也可在 MacOS / Windows 环境中工作
(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，但这个 Python API 建立在一个庞大的 C++ 代码库之上，提供了诸如张量（tensor）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，通过机器学习训练和推理所需的工具扩展了这个底层 C++ 代码库。这包括：内置的常见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；流行的优化算法库（如随机梯度下降）；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。
本教程将引导您完成一个使用 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（一种生成式模型）来生成 MNIST 手写数字图像。虽然在概念上是一个简单的示例，但它足以让您对 PyTorch C++ 前端有一个快速的概览，并激发您训练更复杂模型的兴趣。我们将首先说明为什么要使用 C++ 前端，然后直接深入探讨如何定义和训练我们的模型。
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。您可以在那里找到高级描述以及 API 级别的文档。
动机#
在我们踏上 GAN 和 MNIST 数字的精彩旅程之前，让我们退一步讨论一下为什么要使用 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 并非最适合该工作的环境中实现研究。此类环境的示例包括：
低延迟系统：您可能希望在一个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 Python 库更适合此类环境。由于 Python 解释器的缓慢，Python 可能根本无法胜任。
高度多线程环境：由于全局解释器锁（GIL），Python 无法同时运行多个系统线程。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++ 没有这样的限制，线程也易于使用和创建。需要大量并行化的模型（如深度神经进化中使用的模型）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 图形等各个方面，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，免去在 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，而是为了互补。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能够在所有可能的环境（包括上述环境）中利用这些核心设计原则。如果这些场景之一很好地描述了您的用例，或者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“我如何在 C++ 前端中做 X？”，请尝试像在 Python 中那样编写代码，通常情况下，C++ 中会提供与 Python 中相同的函数和方法（只需记住将点号替换为双冒号）。
编写一个基础应用程序#
让我们从编写一个最小的 C++ 应用程序开始，以验证我们的设置和构建环境是否一致。首先，您需要获取一份 LibTorch 发行版——这是我们预先构建的 zip 存档，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，但您也可以自由地在 MacOS 或 Windows 上跟随操作。
提示
关于 安装 PyTorch 的 C++ 发行版 的说明更详细地描述了以下步骤。
提示
在 Windows 上，调试（debug）和发布（release）构建在 ABI 上是不兼容的。如果您计划在调试模式下构建项目，请尝试使用 LibTorch 的调试版本。此外，请确保在下面的 cmake --build . 行中指定正确的配置。
第一步是通过 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，包含 torch/torch.h，目前只是简单地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;
}
为了构建这个小程序以及稍后我们成熟的训练脚本，我们将使用这个 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，但它不是硬性要求。您也可以使用 Visual Studio 项目文件、QMake、普通 Makefile 或任何其他您觉得舒适的构建环境。但是，我们不提供对此的开箱即用支持。
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 知道在哪里查找这些文件，我们必须在调用 cmake 时设置 CMAKE_PREFIX_PATH。在我们这样做之前，让我们商定 dcgan 应用程序的以下目录结构：
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，这必须是一个绝对路径。特别是，将 CMAKE_PREFIX_PATH 设置为类似 ../../libtorch 的路径会以意外的方式中断。相反，请写 $PWD/../../libtorch 以获得相应的绝对路径。现在，我们准备构建我们的应用程序：
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
在上面，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，并完成关于基础项目配置的这一节。
root@fa350df05ecf:/home/build# ./dcgan
1 0 0
0 1 0
0 0 1
[ Variable[CPUFloatType]{3,3} ]
在我看来这就是一个单位矩阵！
定义神经网络模型#
现在我们已经配置好了基础环境，我们可以深入探讨本教程更有趣的部分。首先，我们将讨论如何在 C++ 前端中定义模块并与之交互。我们将从基础的小型示例模块开始，然后使用 C++ 前端提供的丰富内置模块库实现一个成熟的 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。有一个基础模块类，所有其他模块都派生自该类。在 Python 中，此类是 torch.nn.Module，而在 C++ 中是 torch::nn::Module。除了实现模块封装算法的 forward() 方法外，模块通常包含三种子对象：参数（parameters）、缓冲区（buffers）和子模块（submodules）。
参数和缓冲区以张量形式存储状态。参数记录梯度，而缓冲区不记录。参数通常是神经网络的可训练权重。缓冲区的例子包括用于批量归一化的均值和方差。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() 等方法检索整个（嵌套）模块层次结构中所有参数的容器。同样，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）也可作用于整个模块层次结构。
定义模块并注册参数#
为了将这些文字付诸代码，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，我们定义了一个名为 Net 的类（为了简单起见，这里是 struct 而不是 class），并将其从模块基类派生。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是 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#
以同样的方式，我们可以注册子模块。在 Python 中，子模块在被分配为模块的属性时会自动检测并注册：
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
这使得，例如，使用 parameters() 方法递归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 torch::nn 命名空间的文档中找到完整可用的内置模块列表，例如 torch::nn::Linear、torch::nn::Dropout 或 torch::nn::Conv2d，点击这里。
上述代码的一个微妙之处是，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中创建的。这有一个很好的理由，我们将在后面关于 C++ 前端所有权模型的部分讨论。最终的结果是，我们可以像在 Python 中一样递归访问我们的模块树参数。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;
}
}
它打印出：
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} ]
就像在 Python 中一样有三个参数。为了也能看到这些参数的名称，C++ API 提供了一个 named_parameters() 方法，它返回一个类似于 Python 的 OrderedDict：
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 的文档包含在模块层次结构上运行的方法的完整列表。
在正向模式下运行网络#
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;
}
它打印出类似这样的内容：
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，以及最终运行模块的 forward() 方法。虽然 C++ API 中还有更多的方法、类和主题需要吸收，但我将引导您查看文档以获取完整内容。我们稍后在实现 DCGAN 模型和端到端训练流水线时，还会涉及更多概念。在此之前，让我简要地谈谈 C++ 前端为 torch::nn::Module 子类提供的所有权模型。
对于本次讨论，所有权模型是指存储和传递模块的方式——这决定了谁或什么拥有特定的模块实例。在 Python 中，对象总是被动态分配（在堆上）并具有引用语义。这非常容易处理且直观。实际上，在 Python 中，您在很大程度上可以忘记对象存在于何处以及它们是如何被引用的，只需专注于完成工作即可。
C++ 是一种更底层的语言，在这方面提供了更多的选择。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，在目前为止的示例中已经展示过：模块对象在栈上分配，当传递给函数时，可以复制、移动（使用 std::move）或通过引用或指针获取：
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。引用语义的优点是，像在 Python 中一样，它减少了思考如何将模块传递给函数以及如何声明参数（假设您到处使用 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喜欢引用语义，而不是值语义，尽管后者在 C++ 中更“原生”。同样重要的是要注意，为了保持接近 Python API 的人体工程学，torch::nn::Module 的设计依赖于共享所有权。例如，采用我们之前（此处缩短）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，我们希望将其直接存储在我们的类中。然而，我们也希望模块基类了解并能够访问此子模块。为此，它必须存储对此子模块的引用。此时，我们已经需要共享所有权。 torch::nn::Module 类和具体的 Net 类都需要一个对子模块的引用。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？好吧，因为 std::shared_ptr<MyModule> 输入起来非常麻烦。为了保持研究人员的效率，我们想出了一种复杂的方案来隐藏 shared_ptr 的提及——这是通常只有值语义才有的好处——同时保留引用语义。为了理解这是如何工作的，我们可以看看核心库中 torch::nn::Linear 模块的简化定义（完整定义在这里）：
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：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简单的 typedef，这样，除其他事项外，构造函数仍然能按预期工作，即您仍然可以写 torch::nn::Linear(3, 4) 而不是 std::make_shared<LinearImpl>(3, 4)。我们将宏创建的类称为模块持有者（holder）。像使用（共享）指针一样，您可以使用箭头运算符（如 model->forward(...)）访问底层对象。最终结果是一个与 Python API 非常相似的所有权模型。引用语义成为默认设置，但无需额外的 std::shared_ptr 或 std::make_shared 输入。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，即包含一个空指针。什么是默认构造的 Linear 或 Net？好吧，这是一个棘手的选择。我们可以说它应该是一个空（null）的 std::shared_ptr<LinearImpl>。然而，请回想一下 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，那么就没有办法构造一个不需要任何构造函数参数，或将它们全部设为默认值的模块。因此，在当前的 API 中，默认构造的模块持有者（如 Linear()）会调用底层模块的默认构造函数（LinearImpl()）。如果底层模块没有默认构造函数，您将得到一个编译器错误。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。
实际上，这意味着您可以像前面显示的那样使用子模块，其中模块是在初始化列表中注册和构造的：
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;
};
或者您可以首先用空指针构造持有者，然后将其分配给构造函数中的变量（对于 Python 程序员来说更熟悉）：
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
};
结论：应该使用哪种所有权模型——哪种语义？C++ 前端的 API 最支持模块持有者提供的所有权模型。这种机制唯一的缺点是在模块声明下方多了一行样板代码。话虽如此，最简单的模型仍然是 C++ 模块介绍中显示的值语义模型。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）只支持模块持有者（或普通的 shared_ptr）。因此，模块持有者 API 是定义 C++ 前端模块的推荐方法，我们将在本教程中从现在开始使用此 API。
定义 DCGAN 模块#
我们现在具备了必要的背景和介绍，可以定义我们想要在本文中解决的机器学习任务的模块。概括地说：我们的任务是从 MNIST 数据集生成数字图像。我们想使用生成对抗网络 (GAN) 来解决此任务。特别是，我们将使用 DCGAN 架构——这是此类架构中最早且最简单的一种，但对于此任务完全足够。
提示
您可以在此存储库中找到本教程中展示的完整源代码。
GAN 是什么？#
GAN 由两个截然不同的神经网络模型组成：生成器（generator）和判别器（discriminator）。生成器从噪声分布中接收样本，其目标是将每个噪声样本转换为看起来像目标分布（在我们的例子中是 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。它被要求发出一个概率，判断特定图像是真实的（接近 1）还是虚假的（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来训练生成器。关于判别器鉴别真实性眼光如何的反馈被用来优化判别器。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，从而欺骗判别器（到那时已经很出色）的眼光，使其对真实和虚假图像都发出 0.5 的概率。对我们来说，最终结果是一台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，它由一系列转置二维卷积、批量归一化和 ReLU 激活单元组成。我们在自己定义的模块的 forward() 方法中（以函数式方式）显式传递输入：
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()，将噪声样本映射为图像。
所选择的特定模块，如 nn::ConvTranspose2d 和 nn::BatchNorm2d，遵循前面概述的结构。kNoiseSize 常量决定了输入噪声向量的大小，并设置为 100。当然，超参数是通过“研究生下降法（grad student descent）”发现的。
注意
在发现超参数的过程中没有研究生受到伤害。他们定期食用 Soylent。
注意
关于在 C++ 前端中将选项传递给 Conv2d 等内置模块的方式的简短说明：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，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、输出通道数和内核大小）。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（options）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、批量归一化和激活。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 leaky ReLU 代替普通的 ReLU。此外，最终激活变为 Sigmoid，将值压缩到 0 到 1 之间的范围。然后，我们可以将这些压缩后的值解释为判别器赋予图像为真实的概率。
为了构建判别器，我们将尝试一些不同的东西：Sequential 模块。像在 Python 中一样，PyTorch 在这里提供了两种模型定义 API：一种是输入通过连续函数传递的函数式 API（例如生成器模块示例），另一种是更面向对象的 API，我们在其中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
Sequential 模块只需执行函数组合。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#
现在我们已经定义了生成器和判别器模型，我们需要一些我们可以用来训练这些模型的数据。C++ 前端与 Python 前端一样，附带了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）中读取批量数据，并提供许多配置选项。
注意
虽然 Python 数据加载器使用多处理（multi-processing），但 C++ 数据加载器是真正的多线程（multi-threaded），并且不会启动任何新的进程。
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，
用于定义产生数据集索引的采样器（samplers）的 API，
现有数据集、转换和采样器的库。
对于本教程，我们可以使用 C++ 前端附带的 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 的范围）。其次，我们应用 Stack 整理（collation），它获取一批张量并将它们沿第一维度堆叠成一个张量：
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 数据集应位于您执行训练二进制文件的任何位置的 ./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。要制作新的数据加载器，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、采样器的类型和一些其他实现细节）：
auto data_loader = torch::data::make_data_loader(std::move(dataset));
数据加载器确实带有许多选项。您可以在这里查看完整集合。例如，为了加快数据加载速度，我们可以增加工作线程数。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。我们还应该将批大小从默认的 1 增加到更合理的值，例如 64（kBatchSize 的值）。所以让我们创建一个 DataLoaderOptions 对象并设置相应的属性：
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，我们目前只是将它们打印到控制台：
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，数据加载器仅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，您应该看到类似这样的内容：
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
...
这意味着我们能够成功地从 MNIST 数据集中加载数据。
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。文档有最新的列表。
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来消耗每个 epoch 的数据加载器，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，判别器应该为真实图像分配高概率。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 0.8 和 1.0 之间均匀分布的随机值，而不是到处使用 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。在计算损失后，我们通过调用 d_loss.backward() 计算新的梯度，从而在网络中对其进行反向传播。我们对虚假图像重复此过程。我们不是使用来自数据集的图像，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转发给判别器。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，我们就可以使判别器的优化器前进一步，以更新其参数。
为了训练生成器，我们同样首先将其梯度清零，然后重新评估判别器在虚假图像上的表现。然而，这一次我们希望判别器分配非常接近 1 的概率，这表明生成器可以产生能够欺骗判别器，使其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，我们逐步执行生成器的优化器，同时也更新其参数。
我们现在应该可以在 CPU 上训练我们的模型了。我们还没有任何代码来捕获状态或采样输出，但我们稍后会添加它。目前，让我们观察我们的模型正在做某事——我们稍后会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 上运行得很好，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。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，并通过所有 C++ 前端张量和模块都具有的 to() 方法显式地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 CPU 设备开始执行此操作：
// 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);
对于创建不在我们控制之内的张量，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
如果张量已经存在于提供给 to() 的设备上，该调用是空操作（no-op）。不会进行额外的复制。
在这一点上，我们只是让我们之前驻留在 CPU 上的代码更明确。然而，现在也很容易将设备更改为 CUDA 设备：
torch::Device device(torch::kCUDA)
现在所有张量都将驻留在 GPU 上，为所有操作调用快速 CUDA 内核，而无需更改任何下游代码。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这种配置，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;
}
或者甚至：
torch::Device device(torch::cuda::is_available() ? torch::kCUDA : torch::kCPU);
检查点和恢复训练状态#
我们应该对训练脚本进行的最后扩充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途崩溃，前两者将允许我们恢复训练状态。对于持久的训练会话，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 子类或像我们在训练脚本中拥有的 Adam 对象那样的优化器实例。让我们更新训练循环，以一定的间隔检查模型和优化器状态：
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，设置为类似 100，以便每 100 个批次检查一次，而 checkpoint_counter 是每次我们进行检查时递增的计数器。
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如下行：
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（为此我们添加了定期将图像样本保存到 "dcgan-sample-xxx.pt" 文件的代码），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
看起来应该像这样：
数字！万岁！现在球在您那边了：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览。像 PyTorch 这样的机器学习库必然具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来讨论。但是，我鼓励您尝试该 API，并在遇到困难时查阅我们的文档，特别是库 API 部分。另外，请记住，我们可以预期 C++ 前端在尽可能的情况下遵循 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率。
提示
您可以在此存储库中找到本教程中展示的完整源代码。
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。