在深度学习开发中，Python 凭借简洁的语法成为训练首选，但在工业部署、嵌入式设备、跨平台原生应用场景中，Python环境依赖、性能损耗、兼容性问题成为瓶颈。我们目前需要一套无 Python 依赖、支持多平台、可训练可推理的纯 C++ 解决方案（直接融合到应用中，进入工厂/专家模式可进行训练）。
LibTorch作为 PyTorch 的官方C++前端，完美解决了这一痛点：它继承了 PyTorch的核心能力，支持模型定义、前向传播、反向传播、训练优化、模型保存加载全流程，且原生兼容Windows、Linux、ARM等全平台，真正实现 “一次编码，多端运行”。
本系列将从零开始，带你使用 LibTorch 实现纯 C++ 深度学习模型训练和推理。
核心优势
- 纯 C++ 全栈能力：无需 Python，C++ 完成训练 + 推理，零环境依赖，直接集成到原生项目；
- 跨平台原生支持：完美支持 Windows (x86)、Linux (x86/ARM)、树莓派、Jetson 等硬件；
- 高性能加速：支持 CPU 多核、ARM NEON、CUDA GPU 加速，性能远超手写 C++ 网络；
- PyTorch生态兼容：API 与 Python 版 PyTorch 高度一致，学习成本极低，模型可互通；
- 工业级稳定：广泛用于自动驾驶、物联网、客户端 AI 等生产环境。
下载地址
平台版本：https://pytorch.org/get-started/locally/
Windows：选择 LibTorch (C++/Windows)
Linux x86：选择 LibTorch (C++/Linux)
ARM 平台：可直接编译或下载预编译包
注意（这里是否准确，根据运行结果，不准确了，使用到了vs2017x64了）
这里官方全程没有写其是依赖VS2019/VS2022，只说了用msvc，没有提及msvc的版本，是社区踩坑找到的，我们基于前人的总结如下：
- 2.1+ 最新版：VS2022 MSVC v143 编译（后续看入坑三，这里会有细节需要深究了）
- 2.0 及更早：VS2019 MSVC v142 编译（后续看入坑三，这里会有细节需要深究了）
版本选择
LibTorch1.13.1：其是最后一个VS2019编译的版本，这个有点坑，实际最后可以MSVC2016X64，所以可能是兼容的。
Qt5.12.7：Qt开始支持VS2019编译的版本是Qt5.15开始，这里5.12.7是笔者多次踩坑后最终运行成功的。
安装VS2017的选v141（v142是vs2019的编译器，v143是vs2022的编译）器）。
搭建基础环境
步骤一：下载解压
注意：这是多次踩坑，能运行的版本，其他版本读者自行决定。
步骤二：创建工程模块化
步骤三：引入libTorch库
将库复制过去：
# 文件夹根路径 LIBTORCH_DIR_PATH = $$PWD/libtorch-win-shared-with-deps-1.13.1+cpu # 头文件 INCLUDEPATH += $$LIBTORCH_DIR_PATH/libtorch/include INCLUDEPATH += $$LIBTORCH_DIR_PATH/libtorch/include/torch/csrc/api/include # 库文件 LIBS += -L$$PWDLIBTORCH_DIR_PATH/libtorch/lib LIBS += -lXNNPACK LIBS += -lasmjit LIBS += -lc10 LIBS += -lclog LIBS += -lcpuinfo LIBS += -ldnnl LIBS += -lfbgemm LIBS += -lkineto LIBS += -llibprotobuf LIBS += -lpthreadpool LIBS += -ltorch LIBS += -ltorch_cpu步骤四：编译出现错误“IValue”（关键点）
添加头文件，解决冲突：
然后直接注释掉下面这3个地方即可：