使用 PyTorch C++ 前端#
创建日期：2019 年 1 月 15 日 | 最后更新：2025 年 1 月 23 日 | 最后验证：2024 年 11 月 5 日
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 位于庞大的 C++ 代码库之上，该代码库提供了基本数据结构和功能，例如张量和自动求导。C++ 前端公开了一个纯 C++11 API，该 API 扩展了底层 C++ 代码库，提供了机器学习训练和推理所需的工具。这包括神经网络建模的常用组件的内置集合；一个用于使用自定义模块扩展此集合的 API；一个流行的优化算法库，例如随机梯度下降；一个带 API 的并行数据加载器，用于定义和加载数据集；序列化例程等等。
本教程将通过一个端到端示例，向您展示如何使用 C++ 前端训练模型。具体来说，我们将训练一个 DCGAN（一种生成模型），以生成 MNIST 数字图像。尽管概念上这是一个简单的示例，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。我们将首先解释为什么您会希望使用 C++ 前端，然后直接深入到模型的定义和训练。
提示
观看 CppCon 2018 上关于 C++ 前端的闪电演讲，快速（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。您可以在其中找到高级描述和 API 级文档。
动机#
在我们开始激动人心的 GAN 和 MNIST 数字之旅之前，让我们退一步，讨论一下为什么您会想一开始就使用 C++ 前端而不是 Python 前端。我们（PyTorch 团队）创建 C++ 前端是为了在 Python 无法使用或根本不适合该工作的环境中进行研究。此类环境的示例包括：
低延迟系统：您可能希望在纯 C++ 游戏引擎中进行强化学习研究，该引擎具有高帧率和低延迟要求。使用纯 C++ 库比 Python 库更适合此类环境。由于 Python 解释器的速度较慢，Python 可能根本无法处理。
高多线程环境：由于全局解释器锁 (GIL)，Python 无法一次运行多个系统线程。多进程是另一种选择，但可伸缩性不佳且存在显著缺点。C++ 没有此类限制，线程易于使用和创建。需要大量并行化的模型，例如 深度神经进化 中使用的模型，可以从中受益。
现有 C++ 代码库：您可能拥有一个现有的 C++ 应用程序，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，并省去在 Python 和 C++ 之间来回绑定的麻烦，同时保留传统 PyTorch (Python) 体验的大部分灵活性和直观性。
C++ 前端无意与 Python 前端竞争。它旨在对其进行补充。我们知道研究人员和工程师都喜欢 PyTorch 的简洁、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。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，在以下段落中详细探索 C++ 前端。
提示
C++ 前端力求提供与 Python 前端尽可能接近的 API。如果您有 Python 前端的使用经验，并且曾经问自己“我如何使用 C++ 前端完成 X？”之类的问题，请按照您在 Python 中编写代码的方式编写，通常 C++ 中也会提供与 Python 中相同的函数和方法（只需记住将点替换为双冒号）。
编写一个基本应用程序#
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是否达成一致。首先，您需要获取一份 **LibTorch** 发行版——我们预构建的 zip 档案，它打包了使用 C++ 前端所需的所有相关头文件、库和 CMake 构建文件。LibTorch 发行版可从 PyTorch 网站 下载，适用于 Linux、MacOS 和 Windows。本教程的其余部分将假设一个基本的 Ubuntu Linux 环境，但您也可以在 MacOS 或 Windows 上跟随。
提示
关于 安装 PyTorch C++ 发行版 的说明更详细地描述了以下步骤。
提示
在 Windows 上，调试和发布版本不兼容 ABI。如果您计划以调试模式构建项目，请尝试 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。
第一步是通过从 PyTorch 网站获取的链接在本地下载 LibTorch 发行版。对于普通的 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，现在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;
}
为了构建这个小应用程序以及我们稍后将使用的功能齐全的训练脚本，我们将使用这个 CMakeLists.txt 文件
cmake_minimum_required(VERSION 3.0 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 14)
注意
虽然 CMake 是 LibTorch 推荐的构建系统，但它不是硬性要求。您也可以使用 Visual Studio 项目文件、QMake、普通 Makefiles 或任何您熟悉的构建环境。但是，我们不提供开箱即用的支持。
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* 找到这些文件，我们必须在调用 cmake 时设置 CMAKE_PREFIX_PATH。在此之前，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，我将解压后的 LibTorch 发行版的路径称为 /path/to/libtorch。请注意，这必须是绝对路径。特别是，将 CMAKE_PREFIX_PATH 设置为诸如 ../../libtorch 之类的相对路径将以意想不到的方式导致问题。相反，请写入 $PWD/../../libtorch 以获取相应的绝对路径。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
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。现在我们已经准备好执行我们的最小二进制文件，并完成本节关于基本项目配置的内容
root@fa350df05ecf:/home/build# ./dcgan
1 0 0
0 1 0
0 0 1
[ Variable[CPUFloatType]{3,3} ]
在我看来，这看起来像一个单位矩阵！
定义神经网络模型#
现在我们已经配置好基本环境，可以深入了解本教程中更有趣的部分了。首先，我们将讨论如何在 C++ 前端中定义和与模块交互。我们将从基本的、小规模的示例模块开始，然后使用 C++ 前端提供的内置模块的广泛库来实现一个功能齐全的 GAN。
模块 API 基础知识#
与 Python 接口一致，基于 C++ 前端的神经网络由可重用构建块组成，称为 *模块*。有一个所有其他模块都派生的基本模块类。在 Python 中，这个类是 torch.nn.Module，在 C++ 中是 torch::nn::Module。除了实现模块封装算法的 forward() 方法外，模块通常包含以下三种子对象：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。缓冲区的例子包括批归一化的均值和方差。为了重用特定的逻辑和状态块，PyTorch API 允许模块嵌套。嵌套模块称为子模块。
参数、缓冲区和子模块必须明确注册。一旦注册，就可以使用 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 内存移动到 CUDA 内存，适用于整个模块层次结构。
定义模块和注册参数#
为了将这些词语转化为代码，让我们考虑这个用 Python 接口编写的简单模块
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，它会是这样：
#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（为简单起见，这里是 struct 而不是 class），并使其派生自模块基类。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，我们使用 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#
与注册参数的方式相同，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，它们会自动被检测和注册
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
例如，这允许使用 parameters() 方法递归访问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 命名空间的文档此处找到所有可用的内置模块，例如 torch::nn::Linear、torch::nn::Dropout 或 torch::nn::Conv2d。
上述代码的一个微妙之处在于为什么子模块在构造函数的初始化列表中创建，而参数在构造函数体内创建。这有很好的理由，我们将在下面关于 C++ 前端“所有权模型”的部分中讨论。然而，最终结果是我们可以像 Python 中一样递归访问模块树的参数。调用 parameters() 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;
}
}
打印输出为
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} ]
有三个参数，就像在 Python 中一样。要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
该文档关于 torch::nn::Module 包含了操作模块层次结构的完整方法列表。
以正向模式运行网络#
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;
}
打印输出类似
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，我们知道了如何在 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 中还有更多方法、类和主题有待深入探讨，但我将您引至 文档 获取完整内容。我们还将在实现 DCGAN 模型和端到端训练管道时触及更多概念。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，所有权模型指的是模块的存储和传递方式——它决定了谁或什么*拥有*特定的模块实例。在 Python 中，对象总是动态分配（在堆上）并具有引用语义。这非常容易操作和理解。事实上，在 Python 中，你很大程度上可以忘记对象存在在哪里以及它们如何被引用，并专注于完成事情。
C++ 作为一种较低级别的语言，在此领域提供了更多选项。这增加了复杂性，并严重影响了 C++ 前端的设计和人机工程学。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*。第一种情况最简单，并在迄今为止的示例中有所展示：模块对象在堆栈上分配，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，与 Python 一样，它减少了考虑模块如何传递给函数以及参数如何声明（假设您在所有地方都使用 shared_ptr）的认知开销。
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更喜欢引用语义而不是值语义，尽管后者更“原生”于 C++。同样重要的是要注意，为了保持与 Python API 的人体工程学接近，torch::nn::Module 的设计依赖于共享所有权。例如，我们前面（此处已缩短）对 Net 的定义
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。但是，我们也希望模块基类知道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。
等等！我怎么在上面的代码中没有看到任何 shared_ptr 的提及呢？这是为什么呢？因为 std::shared_ptr<MyModule> 实在是太长了。为了让我们的研究人员保持高效，我们想出了一个精巧的方案来隐藏 shared_ptr 的提及——这通常是值语义才享有的好处——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：该模块不叫 Linear，而是 LinearImpl。一个宏 TORCH_MODULE 然后定义了实际的 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类型定义，这样，除其他事项外，构造函数仍然按预期工作，即您仍然可以编写 torch::nn::Linear(3, 4) 而不是 std::make_shared<LinearImpl>(3, 4)。我们称由宏创建的类为模块*持有者*。与（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。最终结果是一个所有权模型，它与 Python API 的所有权模型非常接近。引用语义成为默认，但无需额外键入 std::shared_ptr 或 std::make_shared。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。一个默认构造的 std::shared_ptr 是“空的”，即包含一个空指针。那么，一个默认构造的 Linear 或 Net 是什么呢？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，回想一下 Linear(3, 4) 等同于 std::make_shared<LinearImpl>(3, 4)。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接受任何构造函数参数或将其全部默认化的模块。因此，在当前的 API 中，一个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，则会收到编译器错误。要构造空持有者，可以将 nullptr 传递给持有者的构造函数。
在实践中，这意味着你可以像前面所示那样使用子模块，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;
};
或者你可以先用空指针构造持有者，然后在构造函数中赋值（对 Python 用户来说更熟悉）
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
};
总结：您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。这种机制的唯一缺点是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++ 模块介绍中所示的值语义模型。对于小型、简单的脚本，您可能也可以使用它。但您会迟早发现，由于技术原因，它并非总是受支持。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 是使用 C++ 前端定义模块的推荐方式，并且本教程将从现在开始使用此 API。
定义 DCGAN 模块#
我们现在已经掌握了必要的背景知识和介绍，可以为本文中要解决的机器学习任务定义模块。回顾一下：我们的任务是生成来自 MNIST 数据集 的数字图像。我们希望使用 生成对抗网络 (GAN) 来解决此任务。特别是，我们将使用 DCGAN 架构——这是其种类中最早和最简单的之一，但完全足以完成此任务。
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：一个*生成器*和一个*判别器*。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类似于目标分布（在我们的例子中是 MNIST 数据集）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*伪造*图像。它被要求输出一个概率，判断特定图像是多么真实（接近 1）或多么伪造（接近 0）。判别器对生成器生成的图像的真实性反馈用于训练生成器。对判别器对真实性判断的准确性反馈用于优化判别器。理论上，生成器和判别器之间的微妙平衡使它们同步改进，导致生成器生成与目标分布无法区分的图像，欺骗判别器（届时）出色的眼睛，使其对真实和伪造图像都发出 0.5 的概率。对我们来说，最终结果是一个机器，它接收噪声作为输入并生成逼真的数字图像作为其输出。
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。我们显式地（以函数式方式）在 forward() 方法中定义自己定义的模块之间传递输入
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()，将噪声样本映射到图像。
所选择的特定模块，例如 nn::ConvTranspose2d 和 nn::BatchNorm2d，遵循之前概述的结构。kNoiseSize 常量决定了输入噪声向量的大小，并设置为 100。超参数当然是通过梯度学生下降法找到的。
注意
在发现超参数的过程中，没有学生受到伤害。他们定期喂食 Soylent。
注意
关于在 C++ 前端中将选项传递给 Conv2d 等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，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)（分别表示输入通道数、输出通道数和核大小）。但是，如果您需要修改其他通常默认为的选项，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 LinearOptions 对于 Linear。这就是我们在上面的 Conv2d 模块中所做的。
判别器模块#
判别器同样是卷积、批归一化和激活的序列。然而，这里的卷积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 而不是普通的 ReLU。此外，最终的激活变为 Sigmoid，它将值压缩到 0 到 1 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是真实的概率。
为了构建判别器，我们将尝试一些不同的方法：一个“Sequential”模块。就像在 Python 中一样，PyTorch 在这里提供了两种模型定义 API：一种是函数式 API，其中输入通过连续函数传递（例如生成器模块示例），另一种是更面向对象的 API，我们构建一个包含整个模型作为子模块的“Sequential”模块。使用“Sequential”，判别器将看起来像
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 模块简单地执行函数组合。第一个子模块的输出成为第二个子模块的输入，第三个子模块的输出成为第四个子模块的输入，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，我们需要一些数据来训练这些模型。C++ 前端，像 Python 前端一样，带有一个强大的并行数据加载器。这个数据加载器可以从数据集（您可以自己定义）中读取批次数据，并提供许多配置旋钮。
注意
虽然 Python 数据加载器使用多进程，但 C++ 数据加载器是真正的多线程，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 由以下几个不同组件组成
数据加载器类，
用于定义数据集的 API，
用于定义*转换*的 API，可以应用于数据集，
用于定义*采样器*的 API，采样器生成用于索引数据集的索引，
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，并应用两次转换：首先，我们将图像标准化，使其范围在 -1 到 +1 之间（原始范围是 0 到 1）。其次，我们应用 Stack *合并*，它接收一批张量并将它们沿第一个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 数据集应位于相对于您执行训练二进制文件的 ./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其传递给此数据集。要创建一个新的数据加载器，我们使用 torch::data::make_data_loader，它返回一个正确类型的 std::unique_ptr（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));
数据加载器确实有很多选项。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的数量。默认数量为零，这意味着将使用主线程。如果我们将 workers 设置为 2，将生成两个线程并发加载数据。我们还应该将批处理大小从默认的 1 增加到更合理的值，例如 64（kBatchSize 的值）。因此，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，目前我们只会将其打印到控制台
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，包含用于数据的 data 字段和用于标签的 target 字段。由于我们之前应用了 Stack 归类，数据加载器只返回一个这样的示例。如果我们没有应用归类，数据加载器将返回 std::vector<torch::data::Example<>>，其中批次中的每个示例都有一个元素。
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配合。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
截至本文撰写之时，C++ 前端提供了实现 Adagrad、Adam、LBFGS、RMSprop 和 SGD 的优化器。文档中提供了最新列表。
接下来，我们需要更新我们的训练循环。我们将添加一个外层循环，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>());
}
}
上面，我们首先在真实图像上评估判别器，对于这些图像，判别器应该分配高概率。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 到 1.0 之间均匀分布的随机值，而不是全部为 1.0，以使判别器训练更加鲁棒。这个技巧被称为*标签平滑*。
在评估判别器之前，我们将其参数的梯度清零。计算损失后，我们通过调用 d_loss.backward() 将其反向传播到网络，以计算新的梯度。我们对伪造图像重复此过程。我们不使用数据集中的图像，而是让生成器通过向其输入一批随机噪声来创建伪造图像。然后，我们将这些伪造图像转发给判别器。这次，我们希望判别器发出低概率，理想情况下全是零。一旦我们计算出真实图像批次和伪造图像批次的判别器损失，我们就可以将判别器的优化器向前推进一步，以更新其参数。
为了训练生成器，我们再次首先将其梯度清零，然后重新评估判别器在伪造图像上的表现。但是，这次我们希望判别器赋予非常接近一的概率，这将表明生成器可以生成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 张量填充为全一。我们最后一步是生成器的优化器，以更新其参数。
我们现在应该已经准备好在 CPU 上训练模型了。我们还没有任何代码来捕获状态或采样输出，但我们很快就会添加这些。现在，让我们观察到我们的模型正在进行*一些*事情——我们稍后将根据生成的图像验证这些事情是否有意义。重新构建并运行应该打印出类似以下内容：
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 上会快得多。让我们快速讨论一下如何将训练迁移到 GPU 上。为此，我们需要做两件事：向我们自己分配的张量传递 GPU 设备规格，并通过 C++ 前端中所有张量和模块都具有的 to() 方法显式复制任何其他张量到 GPU 上。实现这两种情况最简单的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，例如 torch::zeros 以及 to() 方法。我们可以从使用 CPU 设备开始这样做
// Place this somewhere at the top of your training script.
torch::Device device(torch::kCPU);
新的张量分配，例如
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);
对于我们无法控制其创建的张量，例如来自 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;
变成
torch::Tensor real_images = batch.data.to(device);
而且我们的模型参数也应该移动到正确的设备上
generator->to(device);
discriminator->to(device);
注意
如果张量已经位于 to() 所提供的设备上，则该调用是空操作。不会进行额外的复制。
至此，我们只是让之前驻留在 CPU 上的代码更明确了。但是，现在将设备更改为 CUDA 设备也非常容易
torch::Device device(torch::kCUDA)
现在所有张量都将存在于 GPU 上，调用快速 CUDA 内核进行所有操作，而我们无需更改任何下游代码。如果我们要指定特定的设备索引，可以将其作为第二个参数传递给 Device 构造函数。如果我们希望不同的张量存在于不同的设备上，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);
检查点和恢复训练状态#
我们训练脚本的最后一次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。对于长期训练会话，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。
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，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，设置为诸如 100 之类的数字，表示每 100 个批次进行一次检查点，而 checkpoint_counter 是每次进行检查点时递增的计数器。
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类似以下内容的代码：
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#
我们的训练脚本现已完成。我们已准备好训练我们的 GAN，无论是在 CPU 还是 GPU 上。为了检查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），我们可以编写一个小型 Python 脚本来加载张量并用 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)
现在让我们训练模型大约 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！太棒了！现在轮到你了：你能改进模型，让数字看起来更好吗？
结论#
本教程希望能为您提供一份易于消化的 PyTorch C++ 前端概览。像 PyTorch 这样的机器学习库必然拥有非常广泛而详尽的 API。因此，我们没有时间或空间在此处讨论许多概念。但是，我鼓励您尝试使用该 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，您可以期望 C++ 前端在可能的情况下遵循 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效率。
提示
您可以在 此仓库中 找到本教程中提供的完整源代码。
