C++调用tensorflow模型

1. C++ 和python的混合编程

   • windows + vs

     1. 新建一个工程，在工程属性中添加如下的几个

        

        C:\Users\[user_name]\Anaconda3\include

        C:\Users\[user_name]\Anaconda3\Lib

        C:\Users\[user_name]\Anaconda3\libs

        具体路径根据自己python的安装情况确定。

     2. 添加附加依赖项 pytyhon36.lib,具体参照自己的文件路径以及python版本

     

     1. 如果需要在DEBUG下运行，需要修改pyconfig.h文件，我的电脑上的位置为C:\Users\chmtt\Anaconda3\include\pyconfig.h 打开以后在293行，将python36_d.lib修改为python36.lib 即可。如果直接在release下运行无需操作。

     2. 假设需要调用的python脚本为

        默认你已经写好tensorflow的python脚本，并能跑成功。（tensorflow的使用不是本文重点）
        
        c++需要调用的就是这个classify.py里面的evaluate函数，传入图片路径，返回分类结果给c++程序

        from PIL import Image
        import numpy as np
        import tensorflow as tf
        
        def evaluate(pic):
            image = Image.open(pic)
            image = image.resize([256, 256])
            image_array = np.array(image)
            with tf.Graph().as_default():
                	#里面就是对图像读取模型，预测，得到prediction……
                    max_index = np.argmax(prediction)
                    return max_index
        

     3. C++Demo

        #include <Python.h>
        #include <iostream>
        
        int main(int argc, char** argv)
        {
            const char* picpath ="/home/pdd/PD/c++/c++python/pic/0.0.jpg";
            Py_Initialize();
                if ( !Py_IsInitialized() ) {
                return -1;
                }
                PyRun_SimpleString("import sys");
                PyRun_SimpleString("sys.path.append('./')");
            PyObject* pMod = NULL;
            PyObject* pFunc = NULL;
            PyObject* pParm = NULL;
            PyObject* pRetVal = NULL;
            int iRetVal = -999;
            const  char* modulName="classify";    //这个是被调用的py文件模块名字
            pMod = PyImport_ImportModule(modulName);
            if(!pMod)
            {
                return -1;
            }
            const char* funcName="evaluate";  //这是此py文件模块中被调用的函数名字
            pFunc = PyObject_GetAttrString(pMod, funcName);
            if(!pFunc)
            {
                return -2;
            }
            pParm = PyTuple_New(1);
            PyTuple_SetItem(pParm, 0, Py_BuildValue("s",picpath));//传入的参数，是图片的路径
            pRetVal = PyEval_CallObject(pFunc, pParm);//这里开始执行py脚本
            PyArg_Parse(pRetVal, "i", &iRetVal);//py脚本返回值给iRetVal
            //PyErr_Print();
            std::cout<<iRetVal;
            return iRetVal;
        }
        

   • ubuntu

     安装了anaconda, tensorflow

     C++ 和 python代码与上面类似。在构建执行文件时

     main:c++python.cpp
         g++ -o out c++python.cpp -I/home/pdd/anaconda3/include/python3.6m -lpython3.6m -L /home/pdd/anaconda3/lib
     
     clean:
         rm -rf *.o
     

     -I后面的/home/pdd/anaconda3/include/python3.6m有需要的Python.h；

     -lpython3.6m链接到需要的libpython3.6m.so;

     -L指出链接的路径。

     终端输入make。如果提示需要什么libpython3.6m.so,就把/home/pdd/anaconda3/lib下的libpython3.6m.*.so复制到/usr/lib/下（sudo cp ——–）  此时再次输入make，一切ok！得到out文件，输入./out

2. 源码编译运行。

   大体的流程如下：

   • 1.使用tensorflow python API编写和训练自己的模型，训练完成后，使用tensorflow saver 将模型保存下来。
   • 2.使用tensorflow c++ API 构建新的session，读取python版本保存的模型，然后使用session->run()获得模型的输出。
   • 3.编译和运行基于tensorflow c++ API写的代码。
   1. Ubuntu
   2. windows