C++ LibTorch设置LSTM网络输入及解析forward返回值方法

你传参的写法没问题，报错是因为返回值解析错了：Python端这个LSTM的forward返回的是嵌套元组，结构是(输出torques张量, (更新后的隐状态h, 更新后的细胞状态c))，你直接对整个返回值调.toTensor()，相当于把整个元组强转成张量，自然触发"Expected Tensor but got Tuple"的错误。

你只需要把原来最后一行actuator_network.forward(inputs).toTensor();替换成下面的返回值解析逻辑即可：

// 执行前向计算
torch::jit::IValue output = actuator_network.forward(inputs);

// 拆分最外层元组：第一个元素是扭矩输出torques，第二个是存状态的嵌套元组
auto out_tuple = output.toTuple();
torch::Tensor torques = out_tuple->elements()[0].toTensor();

// 拆分状态元组，拿到更新后的隐状态、细胞状态
auto hidden_tuple = out_tuple->elements()[1].toTuple();
torch::Tensor sea_hidden_state_new = hidden_tuple->elements()[0].toTensor();
torch::Tensor sea_cell_state_new = hidden_tuple->elements()[1].toTensor();

// 打印结果验证
std::cout << "前向推理完成，torques维度：" << torques.sizes() << std::endl;

• 你之前构造输入的逻辑完全正确：第一个参数传输入张量u0，第二个参数传h0、c0打包成的IValue Tuple，和Python端传参格式完全匹配，不需要修改。
• LibTorch里元组类型调用toTuple()后会返回指向元组的智能指针，通过->elements()可以访问元组内元素的列表，按下标取值再转成对应类型即可，和Python按位置解包元组的逻辑完全对应。
• 做连续序列推理时，直接把上一步输出的sea_hidden_state_new、sea_cell_state_new作为下一次forward的输入状态即可，等价于Python里sea_hidden_state[:], sea_cell_state[:] = 新状态的原地更新操作。

内容的提问来源于stack exchange，提问作者Song