什么值得买App下载 App ›
连续签到专享现金活动

深度学习开发笔记(一):跨平台纯C++训练和推理框架LibTorch介绍、开发环境搭建和Demo

在工业部署与嵌入式应用场景中,深度学习模型的开发常面临Python环境依赖重、性能损耗及跨平台兼容性等挑战。为了在PC、Linux及ARM板卡上实现无Python依赖、支持原生训练与推理的纯C++解决方案,LibTorch(PyTorch官方C++前端)成为了一个理想选择。它继承了PyTorch的核心计算能力,支持模型定义、前反向传播及优化全流程,能够实现“一次编码,多端运行”。本文将梳理LibTorch的核心优势,并提供基于Windows环境下的详细搭建步骤与常见问题解决方案。
01核心优势与版本选择
LibTorch作为PyTorch的C++前端,主要优势在于消除了对Python环境的依赖,同时支持Windows、Linux、ARM等多平台部署。在实际开发中,编译器与库版本的兼容性是环境搭建的关键。经过实践验证,采用MSVC 2017编译器搭配LibTorch 1.13.1版本及Qt 5.12.7具有较高的稳定性。
组件名称推荐版本兼容性说明
LibTorch1.13.1 (CPU版)最后一个支持VS2017/MSVC v141编译的版本
Visual Studio2017 (MSVC v141)实测兼容性优于VS2019/VS2022
Qt5.12.7对应MSVC 2017编译环境的稳定版本

开发环境版本兼容清单

02环境配置与代码集成
搭建过程主要包括下载预编译包、创建工程模块以及配置链接库。在Qt工程文件(.pro)中,需明确指定头文件路径与库文件路径。以下是在Windows环境下集成LibTorch的标准配置示例。
.pro 文件配置示例
LIBTORCH_DIR_PATH = $$PWD/libtorch-win-shared-with-deps-1.13.1+cpu
INCLUDEPATH += $$LIBTORCH_DIR_PATH/libtorch/include
INCLUDEPATH += $$LIBTORCH_DIR_PATH/libtorch/include/torch/csrc/api/include
LIBS += -L$$LIBTORCH_DIR_PATH/libtorch/lib
LIBS += -ltorch -ltorch_cpu -lc10 -lprotobuf
在C++代码中引用头文件时,需特别注意Qt宏与LibTorch命名空间的冲突问题。标准做法是在引入torch头文件前取消Qt的slots宏定义,引入后再重新定义,以避免编译错误。
头文件冲突解决方案
#undef slots
#include
#define slots Q_SLOTS
03常见报错与排坑指南
在编译与运行阶段,开发者常遇到链接错误、宏冲突及程序崩溃等问题。以下是针对典型报错的排查思路与解决方法。
  • IValue相关编译错误
    现象:出现大量关于“IValue”未定义或冲突的报错。
    解决:检查是否重复包含头文件,或按照上述宏冲突处理方案调整include顺序。
  • 无法打开输入文件 protobuf
    现象:链接时报错提示找不到protobuf相关库。
    解决:在.pro文件中引用库名称时,需保留“lib”前缀,即使用“-llibprotobuf”而非“-lprotobuf”。
  • 运行时 Process crashed
    现象:程序启动后立即崩溃。
    解决:排查LibTorch版本与编译器版本是否匹配(如强制使用LibTorch 1.13.1 + MSVC 2017);检查Tensor数据类型初始化是否显式(如避免隐式混合1.0与1);将必要的DLL文件复制至可执行文件同级目录。

评论

评论区空态插画

当前文章无评论,是时候发表评论了