这一章节介绍用 LibTorch 拓展 PyTorch 的算子或者模块，提升性能。
首先需要写一个 gc_layer.cpp，里面包含了用 LibTorch 写的前向传播和反向传播函数。理论上计算过程是不需要必须用 LibTorch 实现的，但是需要返回对应的输入和输出。代码如下：
torch::Tensor gc_forward(torch::Tensor a,
torch::Tensor x,
torch::Tensor w,
torch::Tensor b) {
return a.mm(x).mm(w) + b;
}
torch::Tensor gc_backward(torch::Tensor a,
torch::Tensor x,
torch::Tensor g) {
return a.mm(x).t().mm(g);
}然后需要使用 PyBind11 的一个包，需要提前安装，安装过程可以参考这个文档。在上面的文件下面写下面的几行代码：
PYBIND11_MODULE(gc_cpp, m) {
m.def("forward", &gc_forward, "gc forward");
m.def("backward", &gc_backward, "gc backward");
}PYBIND11_MODULE 的第一个参数 gc_cpp 是我们后面需要 import 的包名，m 是一个 library 对象，def 的三个参数分别是暴露给 python 的函数名，函数的指针，和描述。关于宏 PYBIND11_MODULE 的详细文档可以看官网描述。
提一句，这个宏其实帮我们做了很多事情，如果不使用 PyBind11 的话，可以参考这两个文档：链接1，链接2。当然这个除了封装函数，像类、属性、等都可以封装，这其实利用了就是 python 一切皆对象的特性。
然后在同一个目录下创建 setup.py ，最简单的只需要这几行代码（对我提供的代码做了简化）：
from setuptools import setup
from torch.utils.cpp_extension import CppExtension, BuildExtension
setup(
name='gc_cpp',
ext_modules=[CppExtension('gc_cpp', ['gc_layer.cpp'])],
cmdclass={'build_ext': BuildExtension}
)这里需要特别注意，CppExtension 中的 gc_cpp 必须要和 PYBIND11_MODULE 中保持一致，而 setup 函数的第一个名字并不需要，这是安装包的名字。如果我们不想维护两个名字可以在 c++ 的代码中使用 TORCH_EXTENSION_NAME 宏代替 gc_cpp，前提是使用 BuildExtension，他会帮我们在 c++ 的世界里创建一个系统变量。此外 setup 还有很多其他的参数，例如可以指定作者和版本信息等。CppExtension 是 PyTorch 中提供的继承了 setuptools.Extension 的一个类，为我们节省了一些工作。
然后执行下面的命令就可以在当前 python 环境中安装我们的 gc_cpp 包了。
python3 setup.py install 可以通过下面的命令测试安装是否成功
python3 -c "import torch; import gc_cpp"注意：上述过程虽然编写代码引用到了 LibTorch，但是安装和运行并不依赖 LibTorch。
简单做了一个测试：
- PyTorch: 27.52 s
- Py_ext: 88.47 s
- Cpp_ext: 78.84 s
我们的 c++ 拓展虽然比用 python 写的拓展速度快一些，但是和直接使用 PyTorch 的相比还是查了很多，我猜测可能 PyTorch 本身优化就很好，使用 c++ 写的拓展反而增加了加载动态链接库和数据从 python 转换到 c++ 的开销。
我还提供了一个 CMakeLists.txt 文件，可以使用 cmake 构建出和 setup.py 同样的动态链接库，并且也可以创建为 c++ 使用的库。
关于类和注册算子的拓展，总体上逻辑差不多，可以去查看 PyTorch 官网文档（注册算子，注册类），和上面的区别在于注册的方式，我们可以直接在 PyTorch 中使用，而不需要额外导入一个包。