需使用TorchSharp库调用LibTorch：一、安装TorchSharp NuGet包并引入CPU/CUDA依赖；二、调用Torch.Initialize()初始化运行时；三、用torch.randn等创建张量并运算；四、用torch.jit.load()加载.pt模型；五、继承Module自定义网络并训练。
如果您希望在C#环境中调用LibTorch原生能力实现深度学习模型的加载、推理或训练，则需借助TorchSharp这一官方支持的.NET绑定库。以下是开展TorchSharp开发的具体路径：
一、安装TorchSharp NuGet包
TorchSharp是.NET平台下对LibTorch的封装，通过NuGet分发预编译的原生二进制与托管API，无需手动配置C++运行时或DLL路径。安装后即可直接使用张量操作、自动微分及模块化模型接口。
1、在Visual Studio中右键项目，选择“管理NuGet程序包”。
2、切换至“浏览”选项卡，搜索TorchSharp。
3、勾选“包含预发行版”，找到最新稳定版本（如0.98.2）并点击安装。
4、确认依赖项TorchSharp.CPU或TorchSharp.CUDA被一同引入项目。
二、引用命名空间并验证运行时加载
TorchSharp要求在首次调用任何torch.* API前完成本机库的初始化，该过程由Torch.Initialize()触发，会自动探测CPU或CUDA环境并加载对应LibTorch动态链接库。
1、在Program.cs或启动类顶部添加using语句：using TorchSharp;
2、在Main方法首行插入：Torch.Initialize();
3、执行后检查是否抛出TorchSharp.TorchException，若无异常则表示LibTorch已成功加载。
三、创建张量并执行基础运算
张量是TorchSharp的核心数据结构，所有计算均基于Tensor对象展开。CPU张量默认构造，CUDA张量需显式指定设备；所有运算符重载与NumPy风格一致，支持链式调用。
1、声明一个形状为[3, 4]的随机浮点张量：var x = torch.randn(3, 4);
2、对x执行逐元素正弦运算并保存结果：var y = x.sin();
3、打印y的形状与设备信息：Console.WriteLine(y.Shape + " on " + y.Device);
四、加载预训练PyTorch模型（.pt格式）
TorchSharp支持直接加载TorchScript序列化模型（.pt），无需Python环境。模型以ITorchModule形式存在，可像原生C#对象一样调用forward方法，输入输出均为Tensor。
1、确保模型文件model.pt位于输出目录，且生成操作设为“始终复制”。
2、使用torch.jit.load()加载模型：var module = torch.jit.load("model.pt");
3、构造输入张量（须与训练时shape/dtype一致）：var input = torch.randn(1, 3, 224, 224).to(torch.float32);
4、执行前向传播：var output = module.Forward(input);
五、自定义Module并实现训练循环
通过继承TorchSharp.Modules.Module可定义带可学习参数的神经网络结构。参数自动注册至parameters()集合，配合torch.optim.Adam等优化器即可构建完整训练流程。
1、定义线性分类器类：class LinearClassifier : Module { public LinearClassifier(int inFeatures, int outFeatures) : base("LinearClassifier") { ... } }
2、在构造函数中声明权重与偏置：this.register_parameter("weight", torch.randn(inFeatures, outFeatures));
3、重写forward方法实现计算逻辑：public override Tensor forward(Tensor input) => input.matmul(weight) + bias;
4、实例化模型、损失函数与优化器：var model = new LinearClassifier(784, 10); var lossFn = torch.nn.CrossEntropyLoss(); var opt = torch.optim.Adam(model.parameters(), lr: 1e-3);
