VSCode配置之LibTorch(GPU)极简配置 & VS2022 LibTorch(GPU)验证

1. 背景
   a) 最近在尝试将Pytorch模型部署为Cmodel，综合实验了ONNX和LibTorch方法，其中ONNX模型推理见之前系列文章（OpenCV----YOLOv7目标检测模型推理、OpenCV----YOLOv5目标检测模型推理 (兼容YOLACT)等），存在一些模型可以导出为ONNX但OpenCV的readNet读取错误的情况（主要原因是部分算子不太支持），因此，LibTorch成为了备选方案之一。由于LibTorch是官方Pytorch的部署模型之一，更新也比较及时，特记录一下配置过程。
2. 软件环境
   LibTorch 1.12.1 Release版本 (GPU版本依赖于CUDA 11.6和CUDANN)
   VSCode+CMake
   VS Studio 2022
   系统环境变量添加：path\to\libtorch\lib
3. VSCode + LibTorch CPU版本配置（LibTorch GPU兼容CPU版本）
   1）测试代码

   #include
   #include
   using namespace std;
   int main()
   {
       torch::Tensor output;
       cout << "cuda is_available: " << torch::cuda::is_available() << endl;
       torch::DeviceType device = at::kCPU; 
       if (torch::cuda::is_available())
           device = at::kCUDA;
       output = torch::randn({ 3,3 }).to(device);
       cout << output << endl;
       return 0;
   }
   

   2）CMakeLists.txt （编译方法参见另一篇博客VSCode配置之Opencv4x终极奥义）

   cmake_minimum_required(VERSION 3.17)
   set(CMAKE_PREFIX_PATH path/to/libtorch/share/cmake/Torch/)
   find_package( Torch REQUIRED)
   set(CMAKE_CXX_STANDARD 14)
   add_executable(test test.cpp)
   target_link_libraries(test ${TORCH_LIBRARIES})
   

   3）输出结果
   
4. VS2022 LibTorch GPU版本配置
   1）测试代码（同上)

   #include
   #include
   using namespace std;
   int main()
   {
       torch::Tensor output;
       cout << "cuda is_available: " << torch::cuda::is_available() << endl;
       torch::DeviceType device = at::kCPU; 
       if (torch::cuda::is_available())
           device = at::kCUDA;
       output = torch::randn({ 3,3 }).to(device);
       cout << output << endl;
       return 0;
   }
   

   2）项目属性表配置
   C/C++目录 -> 附加包含目录新增

   path\to\libtorch\include\torch\csrc\api\include;
   path\to\libtorch\include;
   

   链接器 -> 常规 -> 附加库目录新增

   path\to\libtorch\lib
   

   链接器 -> 输入 -> 附加依赖项

   c10.lib
   c10_cuda.lib
   torch_cpu.lib
   torch_cuda.lib
   torch_cuda_cu.lib
   torch_cuda_cpp.lib
   -INCLUDE:?warp_size@cuda@at@@YAHXZ
   

   链接器 -> 命令行 -> 其它选项新增 （用于CUDA推理）

   /INCLUDE:?warp_size@cuda@at@@YAHXZ 
   /INCLUDE:?_torch_cuda_cu_linker_symbol_op_cuda@native@at@@YA?AVTensor@2@AEBV32@@Z 
   

   3）输出结果
   
5. 小结
   可以看到，VSCode+CMake简单配置即可实现VS2022一系列复杂的配置过程，对于代码编写更友好，由于VSCode断点调试较复杂，必要时还是需要VS Studio的辅助，尤其是针对新的库，调试能力必不可少。