问题标签 [libtorch]

随着 PyTorch 的 C++ API 1.5 稳定版的发布，一些对象接口发生了一些变化。比如现在

将无法工作（此处使用的优化器是 Adam），因为learning_rate已更改为lr（请参阅https://github.com/pytorch/pytorch/releases），但优化器不再具有选项（no member named 'options' in 'torch::optim::Adam'）。所以我的问题是：一个人怎么跑

或更新学习率

与新版本？任何帮助将不胜感激！谢谢

我正在使用 libtorch 和 OpenCV 编写一个 C++ 程序。

这是我的输出CMakeLists.txt，带有库版本：

你可以看到手电筒需要libc10.so工作。

当我打电话时make，一切都很好，直到在链接期间发生这种情况：

当我file对这个文件执行命令时，我看到它是为 x86-64 架构而不是 ARM 编译的。这是file命令的输出 on/usr/lib/libc10.so和 on/usr/lib/libtorch.so.3.0.0进行比较：

我怎样才能有一个工作的 libc10.so 文件？

编辑：

我开始在我的树莓派上重新构建 PyTorch，所以它也会重新构建 libtorch。这需要几个小时，并在夜间因链接问题而崩溃：

但是，构建输出了一个libc10.so具有以下签名的文件！

我在文件夹中替换它/usr/lib并尝试构建我的项目：它比以前更进一步，并因另一个文件格式问题而崩溃。这证明如果我设法完全重建 libtorch，我应该能够构建我的项目！

有人可以帮我解决新的链接问题吗？

编辑#2：

我发现这个问题有同样的问题。尝试给定的解决方案，如果可以编写完整的教程，请返回这里。

我有一个使用 跟踪和保存的脚本torch.jit.save，当我使用以下命令在 python 中加载它时：

我得到了预期的输出：

但是，当我使用 libtorch 和以下代码加载相同的文件时：

输出是

进入该is_training()函数，它会查找该training属性，但它不存在，因此默认为 true

使用此模块有效，我可以调用它forward并处理数据，但我需要能够将训练模式设置为false

有什么想法吗？追踪时有什么需要做的吗？

我在带有 CUDA 10.2 的 Ubuntu 16.04 上使用 PyTorch 1.5.0

我正在尝试移植一个 Q 网络，它使用概率分布采样（NormalPython 中的类及其rsample函数）。这些在 PyTorch C++ 中可用吗？

这个问题遵循我的先例。

我正在用 OpenCV、Torch 和 NumCpp 编写一个 C++ 程序。该程序现在可以编译并且运行良好，但我需要编写单元测试。

我已经按照谷歌的教程在我的项目中构建 GTest 和 GMock，但它失败了。当我不链接 Torch 库时，它可以工作。

链接 GTest + Torch 时出错：

我想它来自 Libtorch 定义的与 Gtest 同名的宏，Google 提出了解决此类问题的解决方法，但我需要找出哪个宏失败了。

希望有人能帮忙！

这是我的 CMakeLists.txt

和 CMakeLists.txt.in

我正在尝试在 Raspberry PI 上使用 libtorch 构建一个 C++ 程序。该程序在 Ubuntu 上运行，但在 Raspberry 上构建时出现以下错误：

这是崩溃的代码：

声明network为私有torch::jit::script::Module network

我使用来自 github 的 pyTorch 在版本 '1.0.0a0+8322165' 中为 Raspberry (ARM) 构建 libtorch

执行图像时出现错误（如下所示）。我使用 Python 来跟踪 Yolo 模型，而 C++ 环境中的跟踪文件只给出了一张图像的错误。我猜这个错误可能是由于图像没有任何对象检测。

我正在尝试将 gtest 与 libtorch 一起使用。目前，我有一个基本的测试程序：

然后我有一个主要制作，我在第三方文件夹中获取火炬，如下所示：

然后我的测试看起来像：

当我在发布版本中编译时它很好。如果我的链接目录中不包含“${TORCH_LIBRARIES}”也可以。但是，当我链接到 Torch 并在调试下进行测试时，我得到以下信息：

我认为这是因为torch 利用了测试并在发布版本下编译。我在torch下的lib文件夹中手动找到了一个gtest.so并删除了它，看看它是否可以解决它，但它没有。

我们有一个使用 LibTorch 1.5.0 的工作库，使用 CUDA 10.0 构建，可以按预期运行。

出于各种与 PyTorch 无关的原因，我们正在努力升级到 CUDA 10.2。我们注意到，当我们在新编译的 LibTorch 上运行 LibTorch 推理时（编译时完全相同，除了更改为 CUDA 10.2），运行时间大约慢了 20 倍。我们还使用预编译的二进制文件对其进行了检查。

这是在 3 台不同的机器上使用 3 个不同的 GPU（Tesla T4、GTX980 和 P1000）进行测试的，并且在 CUDA 10.2（Windows 10 和 Ubuntu 16.04 上）上都给出了一致的 ~20 倍慢，所有这些都使用最新的驱动程序和 3 个不同的火炬脚本（相同架构）

我已将代码简化为极少，无需 Torch 以外的外部依赖项

当使用使用 CUDA 10.0 编译的 Torch 编译它时，我们得到一个运行时18 ms，当我们使用使用 CUDA 10.2 编译的 Torch 运行它时，我们得到一个运行时430 ms

对此有什么想法吗？

这个问题也发布在PyTorch 论坛上。

GitHub 上的问题

更新

我使用两个 CUDA 分析了这个小程序

似乎两者都使用非常不同的内核

conv2d_grouped_direct_kernel在我的 P1000 上，96.5% 的 10.2 计算需要大约 60-100 毫秒

10.0 运行中的顶级内核在哪里

所以很容易看出时差是从哪里来的。现在的问题是，为什么。

我正在使用torch::EmbeddingUbuntu 18.04LTS PyTorch C++（1.5.1，CUDA 10.1）上的预训练词向量（glove.300d）模块计算单词相似度。我相信我已经将所有可能的东西都移到了 GPU 上，但是当我执行它时，它仍然显示（问题末尾的完整错误日志）：

我在main.cpp中检查了我的模型初始化方法，如果我只做初始化就可以了。

这就是我在Similarity.h中定义SimilarityModel的方式：

同时我已经在 Similarity.cpp 的SimilarityModel函数中嵌入了初始化：

和Similarity.cpp中的转发功能：

至于forward()中的中间变量也已经放到了 GPU 上。但是，我完全不知道 CPU 中还剩下哪一个，而且错误日志也没有多大帮助。我已经尝试了设备类型 cuda 的预期对象中的方法，但是在调用 _th_index_select时得到了设备类型 cpu 的参数 #1 'self' SimilarityModel().to(device)，但这不起作用。我仍然很难阅读此错误日志，并且想要一些有关如何调试此类问题的说明。

错误日志：