libtorch c++ 调用（二）模块查看

最新推荐文章于 2022-05-12 15:17:12 发布
最新推荐文章于 2022-05-12 15:17:12 发布
阅读量685 收藏 1
点赞数
分类专栏： pytorch C++
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/juluwangriyue/article/details/108102659
版权
C++ 同时被 2 个专栏收录
140 篇文章 3 订阅
订阅专栏
pytorch
94 篇文章 12 订阅
订阅专栏

我所用的是libtorch1.5.1，新建了一个vs工程，查看了一下torch中支持的模块。

查找全部 "TORCH_MODULE", 子文件夹, 查找结果 1, "整个解决方案 (包括外部项目)", ""
\csrc\api\include\torch\nn\modules\activation.h(47):TORCH_MODULE(ELU);
\csrc\api\include\torch\nn\modules\activation.h(82):TORCH_MODULE(SELU);
\csrc\api\include\torch\nn\modules\activation.h(117):TORCH_MODULE(Hardshrink);
\csrc\api\include\torch\nn\modules\activation.h(152):TORCH_MODULE(Hardtanh);
\csrc\api\include\torch\nn\modules\activation.h(187):TORCH_MODULE(LeakyReLU);
\csrc\api\include\torch\nn\modules\activation.h(208):TORCH_MODULE(LogSigmoid);
\csrc\api\include\torch\nn\modules\activation.h(243):TORCH_MODULE(Softmax);
\csrc\api\include\torch\nn\modules\activation.h(278):TORCH_MODULE(Softmin);
\csrc\api\include\torch\nn\modules\activation.h(313):TORCH_MODULE(LogSoftmax);
\csrc\api\include\torch\nn\modules\activation.h(334):TORCH_MODULE(Softmax2d);
\csrc\api\include\torch\nn\modules\activation.h(372):TORCH_MODULE(PReLU);
\csrc\api\include\torch\nn\modules\activation.h(407):TORCH_MODULE(ReLU);
\csrc\api\include\torch\nn\modules\activation.h(442):TORCH_MODULE(ReLU6);
\csrc\api\include\torch\nn\modules\activation.h(477):TORCH_MODULE(RReLU);
\csrc\api\include\torch\nn\modules\activation.h(512):TORCH_MODULE(CELU);
\csrc\api\include\torch\nn\modules\activation.h(547):TORCH_MODULE(GLU);
\csrc\api\include\torch\nn\modules\activation.h(568):TORCH_MODULE(GELU);
\csrc\api\include\torch\nn\modules\activation.h(589):TORCH_MODULE(Sigmoid);
\csrc\api\include\torch\nn\modules\activation.h(624):TORCH_MODULE(Softplus);
\csrc\api\include\torch\nn\modules\activation.h(659):TORCH_MODULE(Softshrink);
\csrc\api\include\torch\nn\modules\activation.h(680):TORCH_MODULE(Softsign);
\csrc\api\include\torch\nn\modules\activation.h(701):TORCH_MODULE(Tanh);
\csrc\api\include\torch\nn\modules\activation.h(722):TORCH_MODULE(Tanhshrink);
\csrc\api\include\torch\nn\modules\activation.h(759):TORCH_MODULE(Threshold);
\csrc\api\include\torch\nn\modules\activation.h(812):TORCH_MODULE(MultiheadAttention);
\csrc\api\include\torch\nn\modules\adaptive.h(91):TORCH_MODULE(AdaptiveLogSoftmaxWithLoss);
\csrc\api\include\torch\nn\modules\batchnorm.h(153):TORCH_MODULE(BatchNorm1d);
\csrc\api\include\torch\nn\modules\batchnorm.h(181):TORCH_MODULE(BatchNorm2d);
\csrc\api\include\torch\nn\modules\batchnorm.h(209):TORCH_MODULE(BatchNorm3d);
\csrc\api\include\torch\nn\modules\common.h(19):/// TORCH_MODULE(M);
\csrc\api\include\torch\nn\modules\common.h(63):/// TORCH_MODULE(M);
\csrc\api\include\torch\nn\modules\conv.h(147):TORCH_MODULE(Conv1d);
\csrc\api\include\torch\nn\modules\conv.h(182):TORCH_MODULE(Conv2d);
\csrc\api\include\torch\nn\modules\conv.h(214):TORCH_MODULE(Conv3d);
\csrc\api\include\torch\nn\modules\conv.h(292):TORCH_MODULE(ConvTranspose1d);
\csrc\api\include\torch\nn\modules\conv.h(327):TORCH_MODULE(ConvTranspose2d);
\csrc\api\include\torch\nn\modules\conv.h(362):TORCH_MODULE(ConvTranspose3d);
\csrc\api\include\torch\nn\modules\distance.h(46):TORCH_MODULE(CosineSimilarity);
\csrc\api\include\torch\nn\modules\distance.h(82):TORCH_MODULE(PairwiseDistance);
\csrc\api\include\torch\nn\modules\dropout.h(69):TORCH_MODULE(Dropout);
\csrc\api\include\torch\nn\modules\dropout.h(99):TORCH_MODULE(Dropout2d);
\csrc\api\include\torch\nn\modules\dropout.h(129):TORCH_MODULE(Dropout3d);
\csrc\api\include\torch\nn\modules\dropout.h(160):TORCH_MODULE(AlphaDropout);
\csrc\api\include\torch\nn\modules\dropout.h(187):TORCH_MODULE(FeatureAlphaDropout);
\csrc\api\include\torch\nn\modules\fold.h(46):TORCH_MODULE(Fold);
\csrc\api\include\torch\nn\modules\fold.h(83):TORCH_MODULE(Unfold);
\csrc\api\include\torch\nn\modules\container\functional.h(101):TORCH_MODULE(Functional);
\csrc\api\include\torch\nn\modules\instancenorm.h(52):TORCH_MODULE(InstanceNorm1d);
\csrc\api\include\torch\nn\modules\instancenorm.h(80):TORCH_MODULE(InstanceNorm2d);
\csrc\api\include\torch\nn\modules\instancenorm.h(108):TORCH_MODULE(InstanceNorm3d);
\csrc\api\include\torch\nn\modules\linear.h(35):TORCH_MODULE(Identity);
\csrc\api\include\torch\nn\modules\linear.h(83):TORCH_MODULE(Linear);
\csrc\api\include\torch\nn\modules\linear.h(119):TORCH_MODULE(Flatten);
\csrc\api\include\torch\nn\modules\linear.h(167):TORCH_MODULE(Bilinear);
\csrc\api\include\torch\nn\modules\loss.h(51):TORCH_MODULE(L1Loss);
\csrc\api\include\torch\nn\modules\loss.h(85):TORCH_MODULE(KLDivLoss);
\csrc\api\include\torch\nn\modules\loss.h(120):TORCH_MODULE(MSELoss);
\csrc\api\include\torch\nn\modules\loss.h(155):TORCH_MODULE(BCELoss);
\csrc\api\include\torch\nn\modules\loss.h(191):TORCH_MODULE(HingeEmbeddingLoss);
\csrc\api\include\torch\nn\modules\loss.h(229):TORCH_MODULE(MultiMarginLoss);
\csrc\api\include\torch\nn\modules\loss.h(271):TORCH_MODULE(CosineEmbeddingLoss);
\csrc\api\include\torch\nn\modules\loss.h(309):TORCH_MODULE(SmoothL1Loss);
\csrc\api\include\torch\nn\modules\loss.h(346):TORCH_MODULE(MultiLabelMarginLoss);
\csrc\api\include\torch\nn\modules\loss.h(382):TORCH_MODULE(SoftMarginLoss);
\csrc\api\include\torch\nn\modules\loss.h(419):TORCH_MODULE(MultiLabelSoftMarginLoss);
\csrc\api\include\torch\nn\modules\loss.h(462):TORCH_MODULE(TripletMarginLoss);
\csrc\api\include\torch\nn\modules\loss.h(498):TORCH_MODULE(CTCLoss);
\csrc\api\include\torch\nn\modules\loss.h(532):TORCH_MODULE(PoissonNLLLoss);
\csrc\api\include\torch\nn\modules\loss.h(569):TORCH_MODULE(MarginRankingLoss);
\csrc\api\include\torch\nn\modules\loss.h(610):TORCH_MODULE(NLLLoss);
\csrc\api\include\torch\nn\modules\loss.h(651):TORCH_MODULE(CrossEntropyLoss);
\csrc\api\include\torch\nn\modules\loss.h(694):TORCH_MODULE(BCEWithLogitsLoss);
\csrc\api\include\torch\nn\modules\container\modulelist.h(253):TORCH_MODULE(ModuleList);
\csrc\api\include\torch\nn\modules\normalization.h(70):TORCH_MODULE(LayerNorm);
\csrc\api\include\torch\nn\modules\normalization.h(109):TORCH_MODULE(LocalResponseNorm);
\csrc\api\include\torch\nn\modules\normalization.h(142):TORCH_MODULE(CrossMapLRN2d);
\csrc\api\include\torch\nn\modules\normalization.h(188):TORCH_MODULE(GroupNorm);
\csrc\api\include\torch\nn\modules\padding.h(54):TORCH_MODULE(ReflectionPad1d);
\csrc\api\include\torch\nn\modules\padding.h(79):TORCH_MODULE(ReflectionPad2d);
\csrc\api\include\torch\nn\modules\padding.h(125):TORCH_MODULE(ReplicationPad1d);
\csrc\api\include\torch\nn\modules\padding.h(150):TORCH_MODULE(ReplicationPad2d);
\csrc\api\include\torch\nn\modules\padding.h(175):TORCH_MODULE(ReplicationPad3d);
\csrc\api\include\torch\nn\modules\padding.h(212):TORCH_MODULE(ZeroPad2d);
\csrc\api\include\torch\nn\modules\padding.h(258):TORCH_MODULE(ConstantPad1d);
\csrc\api\include\torch\nn\modules\padding.h(283):TORCH_MODULE(ConstantPad2d);
\csrc\api\include\torch\nn\modules\padding.h(308):TORCH_MODULE(ConstantPad3d);
\csrc\api\include\torch\nn\pimpl.h(195):#define TORCH_MODULE_IMPL(Name, Impl)                              \
\csrc\api\include\torch\nn\pimpl.h(201):/// Like `TORCH_MODULE_IMPL`, but defaults the `Impl` name to `<Name>Impl`.
\csrc\api\include\torch\nn\pimpl.h(202):#define TORCH_MODULE(Name) TORCH_MODULE_IMPL(Name, Name##Impl)
\csrc\api\include\torch\nn\modules\pixelshuffle.h(45):TORCH_MODULE(PixelShuffle);
\csrc\api\include\torch\nn\modules\pooling.h(55):TORCH_MODULE(AvgPool1d);
\csrc\api\include\torch\nn\modules\pooling.h(81):TORCH_MODULE(AvgPool2d);
\csrc\api\include\torch\nn\modules\pooling.h(107):TORCH_MODULE(AvgPool3d);
\csrc\api\include\torch\nn\modules\pooling.h(156):TORCH_MODULE(MaxPool1d);
\csrc\api\include\torch\nn\modules\pooling.h(186):TORCH_MODULE(MaxPool2d);
\csrc\api\include\torch\nn\modules\pooling.h(216):TORCH_MODULE(MaxPool3d);
\csrc\api\include\torch\nn\modules\pooling.h(271):TORCH_MODULE(AdaptiveMaxPool1d);
\csrc\api\include\torch\nn\modules\pooling.h(303):TORCH_MODULE(AdaptiveMaxPool2d);
\csrc\api\include\torch\nn\modules\pooling.h(335):TORCH_MODULE(AdaptiveMaxPool3d);
\csrc\api\include\torch\nn\modules\pooling.h(386):TORCH_MODULE(AdaptiveAvgPool1d);
\csrc\api\include\torch\nn\modules\pooling.h(414):TORCH_MODULE(AdaptiveAvgPool2d);
\csrc\api\include\torch\nn\modules\pooling.h(442):TORCH_MODULE(AdaptiveAvgPool3d);
\csrc\api\include\torch\nn\modules\pooling.h(490):TORCH_MODULE(MaxUnpool1d);
\csrc\api\include\torch\nn\modules\pooling.h(519):TORCH_MODULE(MaxUnpool2d);
\csrc\api\include\torch\nn\modules\pooling.h(548):TORCH_MODULE(MaxUnpool3d);
\csrc\api\include\torch\nn\modules\pooling.h(591):TORCH_MODULE(FractionalMaxPool2d);
\csrc\api\include\torch\nn\modules\pooling.h(634):TORCH_MODULE(FractionalMaxPool3d);
\csrc\api\include\torch\nn\modules\pooling.h(680):TORCH_MODULE(LPPool1d);
\csrc\api\include\torch\nn\modules\pooling.h(708):TORCH_MODULE(LPPool2d);
\csrc\api\include\torch\nn\modules\rnn.h(128):TORCH_MODULE(RNN);
\csrc\api\include\torch\nn\modules\rnn.h(178):TORCH_MODULE(LSTM);
\csrc\api\include\torch\nn\modules\rnn.h(222):TORCH_MODULE(GRU);
\csrc\api\include\torch\nn\modules\rnn.h(291):TORCH_MODULE(RNNCell);
\csrc\api\include\torch\nn\modules\rnn.h(325):TORCH_MODULE(LSTMCell);
\csrc\api\include\torch\nn\modules\rnn.h(359):TORCH_MODULE(GRUCell);
\csrc\api\include\torch\nn\modules\upsampling.h(51):TORCH_MODULE(Upsample);
 匹配行: 116  匹配文件数: 20  已搜索文件总数: 553

 

 

 

 

 

落花逐流水
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
libtorch (pytorch c++) 教程（三）
AllentDan的博客
03-29 1163
pytorch c++ 教程（三）基本模块搭建MLP基本单元CNN基本单元简单MLP简单CNN简单LSTM 基本模块搭建 模块化编程的思想非常重要，通过模块化编程可以大幅减少重复的敲代码过程，同时代码可读性也会增加。本章将讲述如何使用libtorch搭建一些MLP和CNN的基本模块。 MLP基本单元 首先是线性层的声明和定义，包括初始化和前向传播函数。代码如下： class LinearBnReluImpl : public torch::nn::Module{ public: LinearBnRe
Visual C++源代码 80 如何获取系统指定进程模块信息
06-18
Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visual C++源代码 80 如何获取系统指定进程模块信息Visu
torch学习（二） nn类结构-Module
xmdxcsj的专栏
10-21 1万+
Module |-Container    |-Sequential    |-Parallel    |-Concat       |-DepthConcat 安装使用torch以后，接下来就可以开始构建模型和训练了，在这之前，一定要先花半个小时的时间了解一下torch里面nn部分使用到的基本类型，否则容易混乱。 一、Module Module是神经网络的基本组成部分，作为一个抽
[LibTorch] 参数注册 & 模块注册
weixin_43742643的博客
04-07 1065
参考文档 Using the PyTorch C++ Frontend The C++ Frontend 文章目录LinearConv2d & BatchNorm2dPool & ReLU Linear Linear 的注册方式有两种。 第一种是冒号初始化时注册，如下 struct Net : torch::nn::Module { Net(int64_t N, int64_t M) : fc(register_module("fc", torch::nn::.
深入浅析 C++ 调用 Python 模块
09-02
在C++程序中调用Python模块是跨语言交互的一个重要应用，这允许开发者利用Python的灵活性和丰富的库，同时保持C++的高性能和系统级控制。以下是对这一主题的深入探讨。 首先，C++调用Python模块的核心在于Python的...
C++ MFC调用易语言模块例子
07-03
把易语言模块内的功能编译为DLL供其他语言如C++调用的例子。
node.js调用C++开发的模块实例
10-23
为了提高效率，开发者可以利用C++这种低级语言来编写计算密集型的模块，然后通过Node.js的接口调用这些模块。Node.js提供了N-API（Node.js Application Binary Interface）和原生扩展（Native Addons）机制，使得C++...
C++调用C#的DLL实现方法
12-26
本文讲述了在C++项目中，怎么让C++调用C#的DLL动态链接库文件。 具体的实现步骤如下： 一、创建C# DLL，需要指定应用类型为“类库”，代码： namespace CSLib { public class Class1 { private string name; ...
libtorch c++ 线性卷积联合网络的训练及测试用于识别MNIST手写数据集
love code, love life.
06-24 1366
本实例同时采用卷积、池化、丢弃、非线性化、和线性网络层等多种网格联合识别手写数字。 （1）网络定义模块 网络的定义部分，定义结构体Net，内部成员有二维卷积层conv1，conv2，丢弃层conv2_dropout，线性层fc1，fc2，采用的其它网络层有最大池化层，max_pool2d, 非线性化层relu，压缩值域层log_softmax。 其中，卷积层和线性层的参数如下： conv1(torch::nn::Conv2dOptions(1, 10, /kernel_size=/5)), conv
libtorch (pytorch c++) 教程（二）
浩瀚之水的专栏
05-12 2058
本章讲述张量的常见操作，可以先初步了解，具体在设计损失函数等任务中可以用到。随时翻阅 张量初始化 libtorch(pytorch c++)的大多数api和pytorch保持一致，因此，libtorch中张量的初始化也和pytorch中的类似。本文介绍四种深度图像编程需要的初始化方法。 第一种，固定尺寸和值的初始化。 //常见固定值的初始化方式 auto b = torch::zeros({3,4}); b = torch::ones({3,4}); b= torch::eye(4); b = to
libtorch（pytorch c++）教程（六）
浩瀚之水的专栏
05-12 1175
本章简要介绍如何如何用C++实现一个语义分割器模型，该模型具有训练和预测的功能。本文的分割模型架构使用简单的U-Net结构，代码结构参考了qubvel segmentation中的U-Net部分，该项目简称SMP，是基于pytorch实现的开源语义分割项目。本文分享的c++模型几乎完美复现了python的版本。 模型简介 简单介绍一下U-Net模型。U-Net模型的提出是在医学图像分割中，相比于当时的其他模型结构，U-Net的分割能力具有明显优势。一个经典的U-Net结构图如下： U-Net模型采用典型
libtorch (pytorch c++) 教程（五）
AllentDan的博客
03-29 1952
文章目录模型分析模型搭建模型利用预训练权重数据加载封装声明定义初始化训练预测 前面的章节中我们介绍了libtorch的环境搭建（VS和Qt），libtorch张量常用操作，简单的MLP，CNN和LSTM模型搭建，以及数据加载类的使用。本章将以图像分类任务为例，详细介绍如何使用c++训练一个图片分类器。 模型 本文以VGG为例，对比pytorch下的模型搭建和训练，阐述Libtorch的模型搭建，模型加载预训练（from ImageNet）权重。VGG模型是2014年的ImageNet分类冠军，由于后续深度学
pytorch手动实现滑动窗口操作，论fold和unfold函数的使用
Arthur_Holmes的博客
02-26 1902
在卷积网络中，经常会需要用...
torch 变量_torch源码阅读之module.py
weixin_39638929的博客
11-22 493
这一周将必看的torch文件全部看完！！！！在构建神经网络架构时，都要继承自基类nn.Module。class Module(object) def __init__(self): self._backend = thnn_backend self._parameters = OrderedDict() # 字典，保存用户直接设置的paramete...
torch学习 (十二)：简单与复杂模型构造 (Module、Sequential、ModuleList、ModuleDict以及嵌套)
因吉的博客
12-16 1553
文章目录 引入 1 继承Module类来构造模型 2 Module的子类 2.1 Sequential类 2.2 ModuleList类 2.3 ModuleDict类 3 复杂模型构造 引入   本文对基于Module类的模型构造方法进行介绍^{[1]} [1] 。 1 继承Module类来构造模型   Module类是torch.nn模块里的一个模型构造类，是所有神经网络模块的基类。   通过继承Module，我们可以定义自己想要的模型。以下示例构造了一个多层感知机，并重载了__init__和fo
PyTorch：使用torch.nn.Module模块自定义模型结构
baidu_38797690的博客
12-28 5344
Pytorch下使用torch.nn.Module类构建神经网络的若干种方法
pytorch学习笔记（十二）：详解 Module 类
热门推荐
Keith
10-19 3万+
pytorch: ModuleModule 是 pytorch 提供的一个基类，每次我们要 搭建 自己的神经网络的时候都要继承这个类，继承这个类会使得我们 搭建网络的过程变得异常简单。本文主要关注 Module 类的内部是怎么样的。初始化方法中做了什么def __init__(self): self._backend = thnn_backend self._parameters =
使用libtorch部署的一些总结
weixin_45209433的博客
12-03 4153
从一个简单的二维卷积开始 torch::nn::Conv2d auto x = torch::randn({2, 3, 5, 5}, torch::requires_grad()); # N * C * H * W torch::nn::Conv2d model(Conv2dOptions(3, 2, {3,3}).stride(2).padding(1)); auto y = mode...
win10 c++ libtorch调用yolov8
最新发布
11-04
Win10 C++ libtorch调用YOLOv8的步骤如下： 1. 首先，确保你已经安装好了适用于C++的libtorch。你可以从官方网站下载并按照指导进行安装。确保你选择的是与你的操作系统和编译器版本相匹配的libtorch。 2. 下载并...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

落花逐流水

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值