torch.utils.cpp_extension

创建一个C++的setuptools.Extension。

便捷地创建一个setuptools.Extension具有最小(但通常是足够）的参数来构建C++扩展的方法。

所有参数都被转发给setuptools.Extension构造函数。

例子


>>> from torch.utils.cpp_extension import BuildExtension, CppExtension
>>> setup(
name='extension',
ext_modules=[
CppExtension(
name='extension',
sources=['extension.cpp'],
extra_compile_args=['-g'])),
],
cmdclass={
'build_ext': BuildExtension
})

torch.utils.cpp_extension.CUDAExtension(name, sources, *args, **kwargs)

为CUDA/C++创建一个setuptools.Extension。

创建一个setuptools.Extension用于构建CUDA/C ++扩展的最少参数(但通常是足够的）的便捷方法。这里包括CUDA路径，库路径和运行库。所有参数都被转发给setuptools.Extension构造函数。

所有参数都被转发给setuptools.Extension构造函数。

例子

>>> from setuptools import setup
>>> from torch.utils.cpp_extension import BuildExtension, CUDAExtension
>>> setup(
name='cuda_extension',
CUDAExtension(
name='cuda_extension',
sources=['extension.cpp', 'extension_kernel.cu'],
extra_compile_args={'cxx': ['-g'],
'nvcc': ['-O2']})
],
cmdclass={
'build_ext': BuildExtension
})

自定义setuptools构建扩展。

当使用BuildExtension时，它将提供一个用于extra_compile_args(不是普通列表）的词典，通过语言(cxx或cuda）映射到参数列表提供给编译器。这样可以在混合编译期间为C ++和CUDA编译器提供不同的参数。

torch.utils.cpp_extension.load(name, sources, extra_cflags=None, extra_cuda_cflags=None, extra_ldflags=None, extra_include_paths=None, build_directory=None, verbose=False, with_cuda=None, is_python_module=True)

即时加载(JIT)PyTorch C ++扩展。

为了加载扩展，会创建一个Ninja构建文件，该文件用于将指定的源编译为动态库。随后将该库作为模块加载到当前Python进程中，并从该函数返回，以备使用。

默认情况下，构建文件创建的目录以及编译结果库是，其中<tmp>是当前平台上的临时文件夹以及<name>为扩展名。这个位置可以通过两种方式被覆盖。首先，如果TORCH_EXTENSIONS_DIR设置了环境变量，它将替换<tmp>/torch_extensions并将所有扩展编译到此目录的子文件夹中。其次，如果build_directory函数设置了参数，它也将覆盖整个路径，即,库将直接编译到该文件夹中。

要编译源文件，使用默认的系统编译器(c++），可以通过设置CXX环境变量来覆盖它。将其他参数传递给编译过程，extra_cflags或者extra_ldflags可以提供。例如，要通过优化来编译您的扩展，你可以传递extra_cflags=['-O3']，也可以使用 extra_cflags传递进一步包含目录。

提供了混合编译的CUDA支持。只需将CUDA源文件(.cu或.cuh）与其他源一起传递即可。这些文件将被检测，并且使用nvcc而不是C ++编译器进行编译。包括将CUDA lib64目录作为库目录传递并进行cudart链接。您可以将其他参数传递给nvcc extra_cuda_cflags，就像使用C ++的extra_cflags一样。使用了各种原始方法来查找CUDA安装目录，通常情况下可以正常运行。如果不可以，最好设置CUDA_HOME环境变量。

参数:

name - 要构建的扩展名。这个必须和pybind11模块的名字一样！
sources - C++源文件的相对或绝对路径列表。
extra_cflags - 编译器参数的可选列表，用于转发到构建。
extra_cuda_cflags - 编译器标记的可选列表，在构建CUDA源时转发给nvcc。
extra_ldflags - 链接器参数的可选列表，用于转发到构建。
extra_include_paths - 转发到构建的包含目录的可选列表。
build_directory - 可选路径作为构建区域。
verbose - 如果为True，打开加载步骤的详细记录。
is_python_module – 默认值 True: python模块方式导入. False: 普通动态库方式加载到程序.

例子

>>> from torch.utils.cpp_extension import load
>>> module = load(
name='extension',
sources=['extension.cpp', 'extension_kernel.cu'],
extra_cflags=['-O2'],
verbose=True)

在运行时编译加载PyTorch C++ 扩展

例子：

源代码可能会省略非内联c++扩展的两个必要部分:必要的头文件,以及(pybind11)绑定代码。更准确地说，传递给cpp_sources的字符串首先连接成一个单独的.cpp文件。然后在这个文件前面加上#include & lt;torch/extension.h>

此外，如果提供了functions的参数，指定的函数将自动生成绑定。functions可以是函数名列表，也可以是{函数名:文档字符串}的字典。如果给定了一个列表，则每个函数的名称用作其文档字符串。

cuda_sources中的代码按顺序连接到单独的.cu文件,追加torch/types.h, cuda.h and cuda_runtime.h头文件..cpp 和 .cu 文件分开编译, 最终连接到一个库中. 注意cuda_sources中的函数本身没有绑定,为了绑定CUDA核函数,必须新建一个C++函数来调用它,或者在cpp_sources 中声明或定义(并且在functions中包含它).

load()查看下面忽略的参数.

参数:

cpp_sources – 字符串, or 字符串列表, 包含C++源代码
cuda_sources – 字符串, or 字符串列表, 包含CUDA源代码
functions – 函数名列表用于生成函数绑定. 如果是字典,key=函数名,value=文档描述.
with_cuda – 确定是否添加CUDA头/库. 默认值 None (default), 取决于参数cuda_sources . True强制包含CUDA头/库.

例子

torch.utils.cpp_extension.include_paths(cuda=False)

获取构建C++或CUDA扩展所需的路径。

参数： cuda - 如果为True，则包含CUDA特定的包含路径。
返回：包含路径字符串的列表。

torch.utils.cpp_extension.check_compiler_abi_compatibility(compiler)

验证给定的编译器是否与PyTorch ABI兼容。

参数：compiler() - 要检查可执行的编译器文件名(例如g++),必须在shell进程中可执行。
返回：如果编译器(可能）与PyTorchABI不兼容，则为False，否则返回True。