Libtorch概述

Libtorch是Pytorch的C++接口，实现了在C++中进行网络训练、网络推理的功能。

由于Libtorch中的大部份接口都是与Pytorch一致的，所以Libtorch还是一个很强大的张量库，有着类似Pytorch的清晰接口，这在C++中是很难得的。如果你用过C++的Tensor库，就会发现写法较为复杂，学习成本较高。由于强类型的限制和通用容器类型的缺失，C++相比于Python而言，语言本身就更加复杂，库设计者因为语言使用习惯，以及为了性能等因素，设计的接口一般都是高效但难用的。而Libtorch采用了与Pytorch类似的函数接口，如果你使用过Pytorch的话，使用Libtorch的学习成本就会比较低。

另一个问题是，很多Python库中基础的操作，例如numpy.einsum函数，在C++的Tensor库中没有合适的替代，如果要迁移到C++中过程会比较麻烦。Libtorch解决了这个问题，Pytorch中有的它都有，所以在C++中可以简单地用torch::einsum来使用einsum函数，简直是C++开发者的福音。

此外，Libtorch是支持GPU的，主要用于模型的推理过程，Libtorch的Tensor操作在速度上相比别的C++ Tensor库可能有优势，具体速度需要测试对比。当然使用C++代码的话速度不是瓶颈，本身CPU代码就够快了。

Libtorch另一个优势是编译简单，只要你安装了Pytorch，Libtorch就可以直接使用，省去了复杂的安装和配置，一分钟内就能跑起来一个简单的的示例程序。

总结来说，Libtorch有以下很吸引人的特性：

强大如Numpy和Pytorch的C++ Tensor库，写法优雅丝滑，并且是支持GPU的
可以训练神经网络
可以推理神经网络模型，用在C++环境的模型部署场景
编译简单

Libtorch安装

Pytorch官网首页可以下载对应版本的Libtorch压缩包，下载好后将其解压即可，可以自行配置环境变量。

使用CMake编译Libtorch程序

写了一个小程序，并保存在example.cpp文件中：

// 引入Torch头文件，Tensor类定义在此头文件中
#include <torch/torch.h>
#include <iostream>

int main() {
    
    
  // 使用arange构造一个一维向量，再用reshape变换到5x5的矩阵，这里需要用到花括号，因为C++没有tuple类型
  torch::Tensor foo = torch::arange(25).reshape({
    
    5, 5});

  // 计算矩阵的迹
  torch::Tensor bar  = torch::einsum("ii", foo);

  // 输出矩阵和对应的迹
  std::cout << "==> matrix is:\n " << foo << std::endl;
  std::cout << "==> trace of it is:\n " << bar << std::endl;
}

接着在同级目录下创建一个build文件夹和一个CMakeLists.txt文件，文件中写入以下内容：

# 指定要求的CMake的最低版本
cmake_minimum_required(VERSION 3.0 FATAL_ERROR)

# 定义项目的名称，会在build目录中生成Project_Name.sln --> OXI_Model_Project.sln
project(OXI_Model_Project)

# 设置Libtorch的路径，具体到Torch目录
set(Torch_DIR D:/LibTorch/libtorch/share/cmake/Torch)

# 查找并加载Torch库
find_package(Torch REQUIRED)

# 将TORCH_CXX_FLAGS添加到CMAKE_CXX_FLAGS中，以确保正确的编译选项和标志
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} ${TORCH_CXX_FLAGS}")

# 将源文件example.cpp添加到可执行文件oxi_model中，可执行文件的名字自己设置
add_executable(oxi_model example.cpp)

# 将TORCH_LIBRARIES链接到可执行文件oxi_model中，以确保正确的链接Torch库
target_link_libraries(oxi_model "${TORCH_LIBRARIES}")

# 将目标可执行文件oxi_model的C++标准设置为C++14；Libtorch是基于C++14实现的
set_property(TARGET oxi_model PROPERTY CXX_STANDARD 14)

然后打开Developer Command Prompt for vs 2022命令行窗口，cd到build目录中，依次输入以下命令：

cmake -DCMAKE_PREFIX_PATH=`D:\LibTorch\libtorch\share\cmake\Torch` ..  // 编译配置文件
msbuild OXI_Model_Project.sln /p:Configuration=Release /m  // 生成可执行文件，放在Release目录中

最后，在Release目录中双击可执行文件，或者在命令行窗口cd进入Release目录，再输入oxi_model即可运行可执行文件oxi_model.exe。运行的结果如下所示：

==> matrix is:
   0   1   2   3   4
  5   6   7   8   9
 10  11  12  13  14
 15  16  17  18  19
 20  21  22  23  24
[ CPULongType{
    
    5,5} ]
==> trace of it is:
 60
[ CPULongType{
    
    } ]

可以看到5x5的tensor对象可以直接用std::cout 打印出来，同时数据后面也显示了数据所在的后端（这里是CPU）和数据类型（LongType）以及对应的维度。

在VS中配置Libtorch

右键点击项目，属性 -> 配置属性 -> VC++目录，在包含目录中添加以下内容：

D:\LibTorch\libtorch\include
D:\LibTorch\libtorch\include\torch\csrc\api\include

在库目录中添加以下内容：

D:\LibTorch\libtorch\lib

右键点击项目，属性 -> 链接器 -> 输入，在附加依赖项中添加以下内容：

asmjit.lib
c10.lib
clog.lib
cpuinfo.lib
dnnl.lib
fbgemm.lib
fbjni.lib
kineto.lib
libprotobuf-lite.lib
libprotobuf.lib
libprotoc.lib
pthreadpool.lib
pytorch_jni.lib
torch.lib
torch_cpu.lib
XNNPACK.lib

如果出现LINK: fatal error LNK1104: 无法打开文件“c10_cuda.lib”这类问题，可以把附加依赖项中的对应文件删除。

如果出现由于找不到c10.dll，无法继续执行代码这种情况，可以右键点击项目，属性 -> 调试，在环境中添加内容PATH=D:\LibTorch\libtorch\lib;%PATH%。

Libtorch简介

Libtorch简介

Libtorch概述

Libtorch安装

使用CMake编译Libtorch程序

在VS中配置Libtorch

猜你喜欢