tch-rs入门指南 - Rust绑定PyTorch C++ API的高效工具

tch-rs

tch-rs入门指南 - Rust绑定PyTorch C++ API的高效工具

tch-rs是一个优秀的Rust库,它为PyTorch的C++ API提供了Rust绑定。通过tch-rs,Rust开发者可以方便地使用PyTorch强大的深度学习功能,同时享受Rust语言的安全性和高性能。本文将介绍tch-rs的基本用法,帮助读者快速上手这个工具。

项目简介

tch-rs的目标是为PyTorch的C++ API提供轻量级的Rust封装。它尽可能保持与原始C++ API的一致性,同时也为开发更符合Rust风格的绑定奠定了基础。项目的主要特点包括:

提供PyTorch张量和自动微分功能的Rust接口
支持构建和训练神经网络模型
可以加载和使用预训练的PyTorch模型
包含丰富的示例代码,涵盖基本操作到复杂应用

tch-rs logo

安装配置

tch-rs需要系统中安装有PyTorch的C++库(libtorch)。你可以通过以下几种方式配置:

使用系统全局安装的libtorch(默认方式)
手动安装libtorch,并通过LIBTORCH环境变量指定路径
使用Python版PyTorch,设置LIBTORCH_USE_PYTORCH=1
通过download-libtorch特性自动下载预编译的libtorch二进制文件

对于Linux和macOS用户,可以将以下内容添加到.bashrc中:

export LIBTORCH=/path/to/libtorch
export LD_LIBRARY_PATH=${LIBTORCH}/lib:$LD_LIBRARY_PATH

Windows用户需要设置相应的环境变量。

基本用法

下面是一个简单的张量操作示例:

use tch::Tensor;

fn main() {
    let t = Tensor::from_slice(&[3, 1, 4, 1, 5]);
    let t = t * 2;
    t.print();
}

构建和训练模型

tch-rs支持使用nn::VarStore创建变量,并通过梯度下降进行优化。以下是一个简单的神经网络示例:

use tch::{nn, nn::Module, nn::OptimizerConfig, Device};

const IMAGE_DIM: i64 = 784;
const HIDDEN_NODES: i64 = 128;
const LABELS: i64 = 10;

fn net(vs: &nn::Path) -> impl Module {
    nn::seq()
        .add(nn::linear(vs, IMAGE_DIM, HIDDEN_NODES, Default::default()))
        .add_fn(|xs| xs.relu())
        .add(nn::linear(vs, HIDDEN_NODES, LABELS, Default::default()))
}

fn main() -> anyhow::Result<()> {
    let m = tch::vision::mnist::load_dir("data")?;
    let vs = nn::VarStore::new(Device::Cpu);
    let net = net(&vs.root());
    let mut opt = nn::Adam::default().build(&vs, 1e-3)?;
    
    for epoch in 1..200 {
        let loss = net
            .forward(&m.train_images)
            .cross_entropy_for_logits(&m.train_labels);
        opt.backward_step(&loss);
        
        let test_accuracy = net
            .forward(&m.test_images)
            .accuracy_for_logits(&m.test_labels);
        println!(
            "epoch: {:4} train loss: {:8.5} test acc: {:5.2}%,"
            epoch,
            f64::from(&loss),
            100. * f64::from(&test_accuracy),
        );
    }
    Ok(())
}

使用预训练模型

tch-rs还支持加载和使用预训练的PyTorch模型。以下是使用预训练ResNet18模型进行图像分类的示例:

use tch::{nn, vision};

fn main() -> anyhow::Result<()> {
    let image = vision::imagenet::load_image_and_resize("tiger.jpg")?;
    let vs = nn::VarStore::new(tch::Device::Cpu);
    let net = vision::resnet18(&vs.root(), Default::default());
    vs.load("resnet18.ot")?;
    let output = net.forward_t(&image.unsqueeze(0), false).softmax(-1);
    
    for (probability, class) in vision::imagenet::top(&output, 5).iter() {
        println!("{:50} {:5.2}%", class, 100.0 * probability)
    }
    Ok(())
}

ResNet18分类结果