使用 PyTorch C++前端 ¶
创建于：2025 年 4 月 1 日 | 最后更新：2025 年 4 月 1 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 的主要接口是 Python，但这个 Python API 位于一个庞大的 C++代码库之上，提供了基础的数据结构和功能，如张量和自动微分。C++前端提供了一个纯 C++11 API，它通过工具扩展了底层 C++代码库，这些工具是机器学习训练和推理所需的。这包括用于神经网络建模的内置常用组件；一个 API 来扩展此组件集以自定义模块；一个包含流行优化算法（如随机梯度下降）的库；一个并行数据加载器，具有定义和加载数据集的 API；序列化例程等等。
本教程将带您详细了解使用 C++前端训练模型的全过程示例。具体来说，我们将训练一个 DCGAN——一种生成模型——以生成 MNIST 数字的图像。虽然从概念上讲这是一个简单的例子，但它应该足以让您对 PyTorch C++前端有一个快速的了解，并激发您训练更复杂模型的兴趣。我们将首先讨论为什么您会想要使用 C++前端，然后直接进入定义和训练我们的模型。
提示
观看 2018 年 CppCon 的闪电演讲，快速（且幽默）地了解 C++前端。
提示
本笔记提供了对 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://maskerprc.github.io/cppdocs 找到。在那里您可以找到高级描述以及 API 级别的文档。
动机 ¶
在我们开始激动人心的 GANs 和 MNIST 数字之旅之前，让我们退一步，讨论为什么您想使用 C++ 前端而不是 Python 前端。我们（PyTorch 团队）创建 C++ 前端是为了使 Python 无法使用或不是最佳工具的环境中的研究成为可能。这样的环境包括：
低延迟系统：您可能想在具有高帧率和高延迟要求的纯 C++ 游戏引擎中进行强化学习研究。使用纯 C++ 库更适合这样的环境，而不是 Python 库。由于 Python 解释器的速度较慢，Python 可能完全不适用。
高多线程环境：由于全局解释器锁（GIL），Python 无法同时运行多个系统线程。多进程是一个替代方案，但可扩展性较差，并且存在重大缺陷。C++ 没有这样的限制，线程易于使用和创建。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：您可能拥有一个正在运行的 C++应用程序，它可能用于在后台服务器中提供网页服务，或者在照片编辑软件中渲染 3D 图形，并且希望将机器学习方法集成到您的系统中。C++前端允许您保持使用 C++，同时避免在 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++前端并非旨在与 Python 前端竞争，而是旨在补充它。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，包括上述情况。如果这些情况中的任何一个很好地描述了您的用例，或者如果您只是对此感兴趣或好奇，请跟随我们，在接下来的段落中我们将详细探讨 C++前端。
提示
C++前端试图提供一个尽可能接近 Python 前端的 API。如果你熟悉 Python 前端，并且曾经问过自己“我如何在 C++前端做 X？”，那么就按照你在 Python 中编写代码的方式编写代码，通常情况下，C++和 Python 中都会有相同的功能和方法（只需记住将点替换为双冒号即可）。
编写基本应用程序
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处于同一页面上。首先，你需要获取 LibTorch 分发的副本——这是一个包含所有相关头文件、库和 CMake 构建文件，用于使用 C++前端的预构建 zip 存档。LibTorch 分发可在 PyTorch 网站上下载，适用于 Linux、MacOS 和 Windows。本教程的其余部分将假设一个基本的 Ubuntu Linux 环境，但你也可以在 MacOS 或 Windows 上跟随。
提示
关于安装 PyTorch C++分发的说明详细描述了以下步骤。
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，请尝试使用 LibTorch 的调试版本。同时，请确保在下面的 cmake --build . 行中指定正确的配置。
首步是本地下载 LibTorch 发行版，通过从 PyTorch 网站获取的链接。对于标准的 Ubuntu Linux 环境，这意味着需要运行：
# 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 C++文件，其中包含 torch/torch.h ，目前只需简单地打印出一个三行三列的单位矩阵：
#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的完整训练脚本，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)
备注
虽然 CMake 是 LibTorch 推荐的构建系统，但这并不是强制要求。您也可以使用 Visual Studio 项目文件、QMake、普通的 Makefile 或任何您感到舒适的构建环境。然而，我们并不提供现成的支持。
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。为了使 CMake 知道在哪里找到这些文件，我们必须在调用 CMAKE_PREFIX_PATH 时设置 cmake 。在我们这样做之前，让我们先就我们的 dcgan 应用程序的以下目录结构达成一致：
dcgan/
CMakeLists.txt
dcgan.cpp
此外，我将把解压后的 LibTorch 发行版的路径称为 /path/to/libtorch 。请注意，这必须是一个绝对路径。特别是，将 CMAKE_PREFIX_PATH 设置为类似于 ../../libtorch 的内容将会以意想不到的方式失败。相反，编写 $PWD/../../libtorch 以获取相应的绝对路径。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
如上所述，我们首先在我们的 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本节关于基本项目配置的说明：
root@fa350df05ecf:/home/build# ./dcgan
1 0 0
0 1 0
0 0 1
[ Variable[CPUFloatType]{3,3} ]
看起来像是一个单位矩阵！
定义神经网络模型
现在我们已经配置好了基本环境，我们可以深入到这个教程更有趣的部分。首先，我们将讨论如何在 C++前端中定义和交互模块。我们将从基本的、小规模的示例模块开始，然后利用 C++前端提供的丰富内置模块库实现一个完整的 GAN。
模块 API 基础
与 Python 接口一致，基于 C++前端的神经网络由可重用的构建块组成，这些构建块被称为模块。所有其他模块都从基模块类派生。在 Python 中，这个类是 torch.nn.Module ，在 C++中是 torch::nn::Module 。除了实现模块封装的算法的 forward() 方法外，模块通常包含以下三种类型的子对象之一：参数、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块和状态，PyTorch API 允许模块嵌套。嵌套的模块被称为子模块。
参数、缓冲区和子模块必须显式注册。一旦注册，可以使用如 parameters() 或 buffers() 这样的方法来检索整个（嵌套）模块层次结构中所有参数的容器。类似地，如 to(...) 这样的方法，例如 to(torch::kCUDA) 将所有参数和缓冲区从 CPU 移动到 CUDA 内存，作用于整个模块层次结构。
定义模块和注册参数
将这些话转化为代码，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，它看起来是这样的：
#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，我们定义一个名为 Net 的类（为了简便，这里用 struct 代替 class ），并从模块基类派生它。在构造函数中，我们使用 torch::randn 创建张量，就像我们在 Python 中使用 torch.randn 一样。一个有趣的不同之处在于参数的注册方式。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为 torch.nn.Parameter ，并自动注册这样的张量。在 C++中，反射非常有限，因此提供了一个更传统（也更少魔法性）的方法。
注册子模块和遍历模块层次结构
同样地，我们可以注册参数，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
这允许，例如，使用 parameters() 方法递归访问我们的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)]
在 C++中注册子模块时，可以使用名为 register_module() 的合适方法注册一个模块，例如 torch::nn::Linear ：
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所有可用的内置模块的完整列表，如 torch::nn::Linear 、 torch::nn::Dropout 或 torch::nn::Conv2d 。
上述代码的一个细微之处在于，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内部创建的。这有一个很好的原因，我们将在下面的 C++前端所有权模型部分中提到。然而，最终结果是，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() 返回一个 std::vector<torch::Tensor> ，我们可以遍历它：
int main() {
Net net(4, 5);
for (const auto& p : net.parameters()) {
std::cout << p << std::endl;
}
}
which prints:
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} ]
与 Python 中的用法一样，带有三个参数。要查看这些参数的名称，C++ API 提供了一个 named_parameters() 方法，该方法返回一个 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} ]
备注
torch::nn::Module 的文档包含了操作模块层次结构的所有方法的全列表。
以正向模式运行网络
要在 C++中执行网络，我们只需调用我们定义的 forward() 方法：
int main() {
Net net(4, 5);
std::cout << net.forward(torch::ones({2, 4})) << std::endl;
}
它会打印出类似的内容：
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
到目前为止，我们已经知道如何在 C++中定义模块、注册参数、注册子模块，通过方法如 parameters() 遍历模块层次结构，最后运行模块的 forward() 方法。虽然 C++ API 中还有许多更多的方法、类和主题需要深入研究，但我将为您介绍完整的菜单，请参考文档。我们还将简要介绍一些概念，因为我们即将实现 DCGAN 模型和端到端训练流程。在这样做之前，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。
在这次讨论中，所有权模型指的是模块的存储和传递方式，这决定了谁或什么拥有特定的模块实例。在 Python 中，对象总是动态分配（在堆上）并具有引用语义。这非常容易操作，理解起来也很直接。实际上，在 Python 中，你可以很大程度上忘记对象在哪里以及它们是如何被引用的，专注于完成任务。
C++作为一种底层语言，在这个领域提供了更多的选择。这增加了复杂性，并且极大地影响了 C++前端的架构和用户体验。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，在之前的例子中已经展示过：模块对象在栈上分配，当传递给函数时，可以是复制、移动（带有 std::move ）或者通过引用或指针来获取：
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，就像在 Python 中一样，它减少了思考模块如何传递给函数以及如何声明参数的认知负担（假设你在每个地方都使用 shared_ptr ）。
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倾向于选择引用语义而不是值语义，尽管后者在 C++中更为“原生”。值得注意的是， torch::nn::Module 的设计，为了保持与 Python API 的易用性，依赖于共享所有权的概念。例如，看看我们之前（这里简化了）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。然而，我们还想让模块的基类了解并访问这个子模块。为此，它必须存储对这个子模块的引用。到目前为止，我们已经到达了需要共享拥有的需求。 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 s，因此具体的类也必须这样做。
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！为什么？好吧，因为 std::shared_ptr<MyModule> 的输入非常繁琐。为了保持我们的研究人员高效，我们提出了一套复杂的方案来隐藏对 shared_ptr 的提及——这通常是保留给值语义的益处——同时保留引用语义。为了理解这是如何工作的，我们可以查看核心库中 torch::nn::Linear 模块的简化定义（完整定义见此处）：
struct LinearImpl : torch::nn::Module {
LinearImpl(int64_t in, int64_t out);
Tensor forward(const Tensor& input);
Tensor weight, bias;
};
TORCH_MODULE(Linear);
简要来说：模块不是调用 Linear ，而是调用 LinearImpl 。宏 TORCH_MODULE 定义了实际的 Linear 类。这个“生成”的类实际上是一个 std::shared_ptr<LinearImpl> 的包装器。它是一个包装器而不是简单的 typedef，这样，在其他方面，构造函数仍然按预期工作，即您仍然可以写 torch::nn::Linear(3, 4) 而不是 std::make_shared<LinearImpl>(3, 4) 。我们称宏创建的类为模块持有者。就像（共享）指针一样，您使用箭头操作符（如 model->forward(...) ）访问底层对象。最终结果是类似于 Python API 的所有权模型。引用语义成为默认，但无需额外的 std::shared_ptr 或 std::make_shared 类型。对于我们的 Net ，使用模块持有者 API 看起来是这样的：
struct NetImpl : torch::nn::Module {};
TORCH_MODULE(Net);
void a(Net net) { }
int main() {
Net net;
a(net);
}
这里有一个值得注意的微妙问题。默认构造的 std::shared_ptr 是“空”的，即包含一个空指针。那么默认构造的 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（null） std::shared_ptr<LinearImpl> 。然而，回想一下 Linear(3, 4) 与 std::make_shared<LinearImpl>(3, 4) 是相同的。这意味着如果我们决定 Linear linear; 应该是一个空指针，那么将无法构造一个不接收任何构造函数参数或默认所有参数的模块。因此，在当前的 API 中，默认构造的模块持有者（如 Linear() ）将调用底层模块（ LinearImpl() ）的默认构造函数。如果底层模块没有默认构造函数，你会得到一个编译器错误。要构造一个空的持有者，你可以将 nullptr 传递给持有者的构造函数。
实际上，这意味着你可以像之前展示的那样使用子模块，即在初始化列表中注册和构造模块：
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;
};
或者你可以在构造函数中先使用空指针构造持有者，然后再进行赋值（对于 Python 程序员来说更为熟悉）：
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
};
总结来说：您应该使用哪种所有权模型——哪种语义？C++前端 API 最好地支持模块持有者的所有权模型。这种机制的唯一缺点是在模块声明下方多一行样板代码。但即便如此，最简单的模型仍然是 C++模块介绍中展示的值语义模型。对于小型简单的脚本，您可能也能应付。但迟早您会发现，出于技术原因，它并不总是得到支持。例如，序列化 API（ torch::save 和 torch::load ）仅支持模块持有者（或纯 shared_ptr ）。因此，模块持有者 API 是推荐使用 C++前端定义模块的方式，本教程将从此使用此 API。
定义 DCGAN 模块
我们现在已经具备了必要的背景和介绍，可以定义我们在这篇帖子中想要解决的机器学习任务的模块。回顾一下：我们的任务是生成 MNIST 数据集的数字图像。我们希望使用生成对抗网络（GAN）来解决这个问题。特别是，我们将使用 DCGAN 架构——这是最早和最简单的一种，但对于这个任务来说已经足够了。
提示
你可以在本教程中找到提供的完整源代码，存放在这个仓库中。
什么是 GAN 的 aGAN？
GAN 由两个不同的神经网络模型组成：生成器和判别器。生成器从噪声分布中接收样本，其目的是将每个噪声样本转换成与目标分布（在我们的案例中是 MNIST 数据集）相似的图像。判别器则接收来自 MNIST 数据集的真实图像或生成器的伪造图像。它被要求发出一个概率，判断特定图像是真实（接近 1 ）还是伪造（接近 0 ）。生成器产生的图像的真实性反馈用于训练生成器。判别器对真实性判断能力的反馈用于优化判别器。从理论上讲，生成器和判别器之间微妙的平衡使它们共同提高，导致生成器产生的图像与目标分布不可区分，欺骗判别器的（此时）出色的眼睛，发出对真实和伪造图像的概率为 0.5 。对我们来说，最终结果是接收噪声作为输入并生成数字的逼真图像的机器。
生成器模块
我们首先定义生成器模块，该模块由一系列转置的 2D 卷积、批量归一化和 ReLU 激活单元组成。我们明确地在自定义模块的 forward() 方法中传递输入（以函数式方式）在模块之间：
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);
现在我们可以对 DCGANGenerator 调用 forward() ，将噪声样本映射到图像。
选择的特定模块，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 。当然，超参数是通过梯度下降法找到的。
注意
在超参数的发现过程中，没有研究生受到伤害。他们定期食用 Soylent。
备注
关于在 C++前端如何传递参数给内置模块（如 Conv2d ）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，可以直接传递给模块的构造函数，如 BatchNorm2d(128) 、 Dropout(0.5) 或 Conv2d(8, 4, 2) （对于输入通道数、输出通道数和内核大小）。但是，如果您需要修改其他通常默认的选项，例如 bias 用于 Conv2d ，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，如 LinearOptions 用于 Linear 。这就是我们对上面提到的 Conv2d 模块所做的工作。
判别器模块 ¶
判别器同样是一个由卷积、批量归一化和激活组成的序列。然而，这里的卷积现在是常规卷积而不是转置卷积，我们使用带有 0.2 的 alpha 值的 Leaky ReLU 代替了普通的 ReLU。此外，最终的激活函数变成了 Sigmoid，它将值压缩到 0 到 1 之间。然后我们可以将这些压缩后的值解释为判别器分配给真实图像的概率。
为了构建判别器，我们将尝试一种不同的方法：使用 Sequential 模块。与 Python 中的情况一样，PyTorch 在这里提供了两种模型定义的 API：一种是通过连续函数传递输入的功能性 API（例如，生成器模块示例），另一种是更面向对象的 API，其中我们构建一个包含整个模型的子模块的 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
Sequential 模块仅执行函数组合。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。与 Python 前端一样，C++前端也提供了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）中读取数据批次，并提供许多配置选项。
备注
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，不会启动任何新进程。
数据加载器是 C++ 前端的 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，
定义数据集的 API，
定义变换的 API，这些变换可以应用于数据集，
定义采样器的 API，这些采样器生成用于索引数据集的索引，
现有数据集、变换和采样器的库。
对于本教程，我们可以使用随 C++前端提供的 MNIST 数据集。让我们为这个实例化一个 torch::data::datasets::MNIST ，并应用两个转换：首先，我们将图像归一化到 -1 到 +1 的范围内（从原始范围 0 到 1 ）。其次，我们应用 Stack 归一化，它将一批张量堆叠成一个沿第一个维度排列的单个张量：
auto dataset = torch::data::datasets::MNIST("./mnist")
.map(torch::data::transforms::Normalize<>(0.5, 0.5))
.map(torch::data::transforms::Stack<>());
注意，MNIST 数据集应该位于从您执行训练二进制文件的目录开始的 ./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。要创建一个新的数据加载器，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));
数据加载器确实提供了许多选项。您可以在这里查看完整的选项集。例如，为了加快数据加载速度，我们可以增加工作进程的数量。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 ，将启动两个线程来并发加载数据。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));
现在，我们可以编写一个循环来加载数据批次，目前我们只将其打印到控制台：
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 。这是一个简单的结构体，包含一个 data 字段用于数据和一个 target 字段用于标签。因为我们之前应用了 Stack 的合并，所以数据加载器只返回一个这样的示例。如果我们没有应用合并，数据加载器将返回 std::vector<torch::data::Example<>> ，每个批次包含一个示例元素。
如果您重新构建并运行此代码，您应该看到类似以下内容：
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
...
这意味着我们成功加载了 MNIST 数据集的数据。
编写训练循环 ¶
现在我们来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，我们将为生成器和判别器创建两个优化器。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)));
备注
到本文写作时，C++前端提供了实现 Adagrad、Adam、LBFGS、RMSprop 和 SGD 的优化器。文档中有最新的列表。
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在每个 epoch 中耗尽数据加载器，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>());
}
}
如上所述，我们首先在真实图像上评估判别器，对于这些图像，它应该分配一个高概率。为此，我们使用 torch::empty(batch.data.size(0)).uniform_(0.8, 1.0) 作为目标概率。
备注
我们选择在 0.8 和 1.0 之间均匀分布的随机值，而不是在所有地方都使用 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置零。在计算损失后，我们通过调用 d_loss.backward() 来计算新的梯度，通过反向传播网络。我们重复这个过程来处理假图像。而不是使用数据集中的图像，我们让生成器通过输入一批随机噪声来创建假图像。然后我们将这些假图像正向传递给判别器。这次，我们希望判别器发出低概率，理想情况下为零。一旦我们计算了真实图像批次和假图像批次的判别器损失，我们就可以通过一步来推进判别器的优化器，以更新其参数。
为了训练生成器，我们首先再次将其梯度置零，然后重新评估在伪造图像上的判别器。然而，这一次我们希望判别器分配的概率非常接近于 1，这表明生成器可以生成能够欺骗判别器认为它们实际上是真实图像（来自数据集）的图像。为此，我们将 fake_labels 张量填充为全 1。最后，我们更新生成器优化器的参数。
现在我们应该准备好在 CPU 上训练我们的模型了。我们还没有任何捕获状态或采样输出的代码，但我们将很快添加这些。现在，让我们观察一下我们的模型正在做些什么——我们将在稍后根据生成的图像来验证这是否有意义。重新构建和运行应该会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 上正常运行，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我们的训练迁移到 GPU 上。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，并显式地将其他张量复制到 GPU 上，方法是通过 C++前端中所有张量和模块都有的 to() 方法。实现这两者的最简单方法是，在我们的训练脚本顶层创建一个 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);
新的张量分配如
torch::Tensor fake_labels = torch::zeros(batch.data.size(0));
应该更新为将 device 作为最后一个参数：
torch::Tensor fake_labels = torch::zeros(batch.data.size(0), device);
对于我们无法控制的张量创建，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;
变为
torch::Tensor real_images = batch.data.to(device);
并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);
备注
如果一个张量已经存在于提供给 to() 的设备上，则调用为空操作。不会进行额外的复制。
到目前为止，我们只是使之前驻留在 CPU 上的代码更加明确。然而，现在也很容易将其设备更改为 CUDA 设备：
torch::Device device(torch::kCUDA)
现在所有张量都将驻留在 GPU 上，调用快速的 CUDA 内核进行所有操作，无需我们修改任何下游代码。如果我们想指定特定的设备索引，可以将它作为 Device 构造函数的第二个参数传递。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，这通常有助于使我们的训练脚本更具可移植性：
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
我们应该在训练脚本中做的最后一个增强是定期保存模型参数的状态、优化器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突然崩溃，前两者将允许我们恢复训练状态。对于持续时间较长的训练会话，这是绝对必要的。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。
这个核心 API 是 torch::save(thing,filename) 和 torch::load(thing,filename) ，其中 thing 可以是一个 torch::nn::Module 子类或者像我们在训练脚本中有的 Adam 对象这样的优化器实例。让我们更新我们的训练循环，在特定间隔检查点保存模型和优化器状态：
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，设置为类似于 100 的值，用于每 100 批次检查点，而 checkpoint_counter 是每次我们进行检查点时增加的计数器。
要恢复训练状态，您可以在所有模型和优化器创建后、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已完成。我们准备开始训练我们的 GAN，无论是在 CPU 还是 GPU 上。为了检查训练过程中的中间输出，我们添加了代码以定期将图像样本保存到 "dcgan-sample-xxx.pt" 文件中，我们可以编写一个小的 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)
现在让我们训练我们的模型大约 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
并在图中显示这些图像：
root@3c0711f20896:/home/build# python display.py -i dcgan-sample-100.pt
Saved out.png
应该看起来像这样：
数字！太棒了！现在球在你这边：你能改进模型让数字看起来更好吗？
结论 ¶
希望这篇教程能让你对 PyTorch C++前端有一个易于理解的了解。像 PyTorch 这样的机器学习库必然有一个非常广泛和深入的 API。因此，有许多概念我们没有时间或空间在这里讨论。然而，我鼓励你尝试使用 API，并在遇到困难时查阅我们的文档，特别是库 API 部分。此外，请记住，只要可能，C++前端将遵循 Python 前端的设计和语义，这样你就可以利用这个事实来提高你的学习率。
提示
你可以在本教程中找到提供的完整源代码，存放在这个仓库中。
如有问题或疑问，您可以使用我们的论坛或 GitHub 问题来联系。
