doc22_028.md

# C++

> 原文：[`pytorch.org/docs/stable/cpp_index.html`](https://pytorch.org/docs/stable/cpp_index.html)

注意

如果您正在寻找 PyTorch C++ API 文档，请直接前往[此处](https://pytorch.org/cppdocs/)。

PyTorch 提供了几个用于处理 C++的功能，最好根据您的需求选择其中之一。在高层次上，以下支持可用：

## TorchScript C++ API

[TorchScript](https://pytorch.org/docs/stable/jit.html)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](https://pytorch.org/tutorials/advanced/cpp_export.html)教程中了解更多信息。这意味着您可以尽可能在 Python 中定义模型，但随后通过 TorchScript 导出它们，以在生产或嵌入式环境中进行无 Python 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++扩展扩展 PyTorch 和 TorchScript[](#extending-pytorch-and-torchscript-with-c-extensions "跳转到此标题的永久链接")

TorchScript 可以通过自定义运算符和自定义类增强用户提供的代码。一旦在 TorchScript 中注册了这些运算符和类，这些运算符和类可以在 Python 中运行的 TorchScript 代码中被调用，或者作为序列化的 TorchScript 模型的一部分在 C++中被调用。[使用自定义 C++运算符扩展 TorchScript](https://pytorch.org/tutorials/advanced/torch_script_custom_ops.html)教程介绍了如何将 TorchScript 与 OpenCV 进行接口。除了使用自定义运算符包装函数调用外，C++类和结构体还可以通过类似于 pybind11 的接口绑定到 TorchScript 中，这在[使用自定义 C++类扩展 TorchScript](https://pytorch.org/tutorials/advanced/torch_script_custom_classes.html)教程中有解释。

## 在 C++中的 Tensor 和 Autograd

PyTorch Python API 中的大多数张量和自动求导操作也可在 C++ API 中使用。包括：

+   `torch::Tensor`方法，如`add` / `reshape` / `clone`。有关可用方法的完整列表，请参阅：[`pytorch.org/cppdocs/api/classat_1_1_tensor.html`](https://pytorch.org/cppdocs/api/classat_1_1_tensor.html)

+   C++张量索引 API，看起来和行为与 Python API 相同。有关其用法的详细信息，请参阅：[`pytorch.org/cppdocs/notes/tensor_indexing.html`](https://pytorch.org/cppdocs/notes/tensor_indexing.html)

+   在 C++前端构建动态神经网络至关重要的张量自动求导 API 和`torch::autograd`包。有关更多详细信息，请参阅：[`pytorch.org/tutorials/advanced/cpp_autograd.html`](https://pytorch.org/tutorials/advanced/cpp_autograd.html)

## 在 C++中编写模型

“在 TorchScript 中编写，使用 C++进行推断”的工作流程要求在 TorchScript 中进行模型编写。但是，可能存在必须在 C++中编写模型的情况（例如，在不希望使用 Python 组件的工作流程中）。为了满足这种用例，我们提供了在 C++中完全编写和训练神经网络模型的完整功能，其中包括`torch::nn` / `torch::nn::functional` / `torch::optim`等熟悉的组件，这些组件与 Python API 非常相似。

+   有关 PyTorch C++模型编写和训练 API 的概述，请参阅：[`pytorch.org/cppdocs/frontend.html`](https://pytorch.org/cppdocs/frontend.html)

+   有关如何使用 API 的详细教程，请参阅：[`pytorch.org/tutorials/advanced/cpp_frontend.html`](https://pytorch.org/tutorials/advanced/cpp_frontend.html)

+   有关诸如`torch::nn` / `torch::nn::functional` / `torch::optim`等组件的文档，请访问：[`pytorch.org/cppdocs/api/library_root.html`](https://pytorch.org/cppdocs/api/library_root.html)

## C++包装

有关如何安装和链接 libtorch（包含所有上述 C++ API 的库）的指导，请参阅：[`pytorch.org/cppdocs/installing.html`](https://pytorch.org/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，您应该根据系统使用的 GCC ABI 进行选择。