请查看发行说明文件，了解每次新版本的更新内容。

TorchSharp不再支持基于Intel硬件的MacOS。

随着libtorch 2.4.0版本的发布，libtorch对Intel硬件的支持已被弃用。这意味着，能够运行在Intel Macintosh硬件上的TorchSharp的最后一个版本是0.102.8。从0.103.0开始，仅支持基于Apple Silicon的Mac。

TorchSharp示例有了自己的主页！

前往TorchSharp示例仓库，方便地获取现有和即将推出的示例。

重要提示：

当在Windows上以__.NET FX__为目标时，对于依赖TorchSharp的任何项目，其配置必须设置为‘x64’，而非‘Any CPU’。

随着我们向v1.0版本迈进，我们将继续做出破坏性更改，但仅在我们认为对可用性有必要时才会这样做。与PyTorch体验的相似性是我们的主要设计原则，我们将继续沿着这条道路前行。

TorchSharp

TorchSharp是一个.NET库，提供了访问驱动PyTorch的库的接口。它是.NET基金会的一部分。

重点在于绑定LibTorch提供的API，并特别关注张量。设计意图是尽可能贴近PyTorch的使用体验，同时在有意义的地方充分利用.NET静态类型系统的优点。例如：当PyTorch为某个参数定义了多种有效类型时，我们会依赖方法重载。

该技术是一个“包装库”：不多也不少。DiffSharp广泛使用了这个仓库，也是迭代支持的重要因素。

你可以尝试的内容：

using TorchSharp;
using static TorchSharp.torch.nn;

var lin1 = Linear(1000, 100);
var lin2 = Linear(100, 10);
var seq = Sequential(("lin1", lin1), ("relu1", ReLU()), ("drop1", Dropout(0.1)), ("lin2", lin2));

using var x = torch.randn(64, 1000);
using var y = torch.randn(64, 10);

var optimizer = torch.optim.Adam(seq.parameters());

for (int i = 0; i < 10; i++) {
    using var eval = seq.forward(x);
    using var output = functional.mse_loss(eval, y, Reduction.Sum);

    optimizer.zero_grad();

    output.backward();

    optimizer.step();
}

几点须知

尽管我们的目标是贴近PyTorch的使用体验，但仍有一些特殊之处需要注意：

1. 我们为了提升体验，放弃了.NET命名规范而采用了Python风格。我们知道这可能会让一些人觉得不习惯，但在经过大量讨论后，我们决定跟随SciSharp社区的脚步，优先采用与Python相似的命名方式，而非传统的.NET风格。我们相信，这将使你更容易将基于Python的示例和代码片段应用到.NET中。

2. 为了使构造函数调用更像PyTorch代码，每个类都提供了一个同名的工厂方法。由于在同一作用域内不能同时拥有方法和类同名，我们把类声明移到了嵌套的作用域‘Modules’中。

   例如：

   
   Module conv1 = Conv1d(...);
   

   创建的是Modules.Conv1d的实例，它的基类是torch.Module。

3. C#在传递命名参数时使用‘:’，而F#和Python使用‘=’，且PyTorch函数的参数足够多，鼓励通过名称传递。这意味着你不能简单地把很多代码复制到C#中。

4. 在许多API中，PyTorch将实际上的枚举类型编码为字符串。我们在大多数情况下选择了使用真正的.NET枚举类型。

5. 类型torch.device在TorchSharp中是torch.Device。我们觉得全部小写作为类名有点过头了。设备对象的构造函数——也就是你最常使用的——仍然叫作device()

内存管理

请参阅docfx/articles/memory.md。

下载

TorchSharp 通过 NuGet 库分发：https://www.nuget.org/packages/TorchSharp/

我们建议使用其中一个“捆绑”包，它会同时引入 TorchSharp 和合适的后端：

• TorchSharp-cpu（CPU，Linux/Windows/OSX）
• TorchSharp-cuda-windows（CPU/CUDA 12.1，Windows）
• TorchSharp-cuda-linux（CPU/CUDA 12.1，Linux）

否则，您还需要使用其中一个 LibTorch 后端包：https://www.nuget.org/packages?q=libtorch，具体包括以下几种：

• libtorch-cpu-linux-x64（CPU，Linux）

• libtorch-cpu-win-x64（CPU，Windows）

• libtorch-cpu-osx-arm64（CPU，OSX）

• libtorch-cpu（CPU，引用全部三种，下载文件较大但更简单）

• libtorch-cuda-12.1-linux-x64（CPU/CUDA 12.1，Linux）

注意：由于包含体积非常大的原生二进制文件，使用 libtorch-cuda-12.1-linux-x64 包需要 .NET 6，例如 .NET SDK 版本 6.0.100-preview.5.21302.13 或更高版本。

• libtorch-cuda-12.1-win-x64（CPU/CUDA 12.1，Windows）

或者，您也可以通过直接引用其他方式安装的 LibTorch 原生二进制文件来访问 LibTorch 原生二进制文件（例如，通过 Python 包管理器安装 PyTorch）。您需要显式加载相关的原生库，例如：

    using System.Runtime.InteropServices;
    NativeLibrary.Load("/home/gunes/anaconda3/lib/python3.8/site-packages/torch/lib/libtorch.so")

注意： 有人报告称，在 Windows 上使用 TorchSharp 时，需要安装 C++ 可再发行组件。如果已安装 VS，则此情况通常已经满足，但在部署 TorchSharp 的机器上可能仍需安装此版本的 C++ 可再发行组件：

Microsoft Visual C++ 2015-2022 ( 14.36.32532 )

行为准则

本项目采用了《贡献者契约》定义的行为准则，以明确社区内的期望行为。 欲了解更多信息，请参阅 .NET 基金会行为准则。

开发与贡献

请参阅 DEVGUIDE.md 和 CONTRIBUTING.md。

使用场景

DiffSharp 也广泛使用了本仓库，并且在迭代支持方面发挥了重要作用。

TorchSharp 快速上手指南

环境准备

• 操作系统：Windows 10/11、Linux（Ubuntu 20.04+）、macOS Apple Silicon（M1/M2）
• .NET SDK：.NET 6 或更高版本
• CUDA 支持（可选）：NVIDIA 显卡 + CUDA 12.1，仅限 Windows/Linux
• 注意：Intel 架构的 macOS 已不再支持，需使用 Apple Silicon 设备
• Windows 用户：请安装 Microsoft Visual C++ 2015-2022 (14.36.32532)

安装步骤

推荐使用官方预打包的 NuGet 包，自动包含 LibTorch 后端：

CPU 版本（推荐初学者）

dotnet add package TorchSharp-cpu

GPU 版本（Windows）

dotnet add package TorchSharp-cuda-windows

GPU 版本（Linux）

dotnet add package TorchSharp-cuda-linux

国内加速建议：使用阿里云或清华大学 NuGet 镜像源
在 nuget.config 中添加：

<add key="aliyun" value="https://mirrors.aliyun.com/nuget/v3/index.json" />

基本使用

以下是一个线性网络训练的最小示例：

using TorchSharp;
using static TorchSharp.torch.nn;

var lin1 = Linear(1000, 100);
var lin2 = Linear(100, 10);
var seq = Sequential(("lin1", lin1), ("relu1", ReLU()), ("drop1", Dropout(0.1)), ("lin2", lin2));

using var x = torch.randn(64, 1000);
using var y = torch.randn(64, 10);

var optimizer = torch.optim.Adam(seq.parameters());

for (int i = 0; i < 10; i++) {
    using var eval = seq.forward(x);
    using var output = functional.mse_loss(eval, y, Reduction.Sum);

    optimizer.zero_grad();
    output.backward();
    optimizer.step();
}

注意：TorchSharp 保持与 PyTorch 一致的 API 命名（如 Linear, ReLU, adam），无需翻译为 .NET 风格。