Pytorch1.1版本已經提供了相對穩定的c++接口，網上也有了眾多的資料供大家參考，進行c++的接口的初步嘗試。
可以按照對應的選項下載，下面我們要說的是：
如何利用已經編譯好的官方libtorch庫和其他的opencv庫等聯合編寫應用？
其實很簡單，大概的步驟有三步：
第一步：在python環境下將模型導出為jit的模型
第二步：編寫對應的c++ inference 程序。
第三步：直接在VS上（已經成功實驗VS2015,高版本的應該也可以）配置相應的libtorch環境，主要是：
dll路徑：?
PATH=H:\deeplearning_framework\Pytorch\libtorch\libtorch-win-shared-with-deps-debug-latest_cpu\libtorch\lib%3bD:\opencv\build\x64\vc14\bin%3b$(PATH)? 相應地去修改即可，不需要在PC的path環境下加入libtorch的路徑，而是在這里加更加簡單。
include路徑：
H:\deeplearning_framework\Pytorch\libtorch\libtorch-win-shared-with-deps-debug-latest_cpu\libtorch\include\torch\csrc\api\include;H:\deeplearning_framework\Pytorch\libtorch\libtorch-win-shared-with-deps-debug-latest_cpu\libtorch\include;D:\opencv\build\include\opencv2;D:\opencv\build\include\opencv;D:\opencv\build\include;%(AdditionalIncludeDirectories)
主要是加粗線那兩個。
注意一定要去掉SDL的檢查項，否則會出現錯誤警告。
lib路徑：
H:\deeplearning_framework\Pytorch\libtorch\libtorch-win-shared-with-deps-debug-latest_cpu\libtorch\lib;D:\opencv\build\x64\vc14\lib;%(AdditionalLibraryDirectories)
詳細的工程見：https://download.csdn.net/download/xiamentingtao/11486608
這里我們主要改編自：《Win10+VS2017+PyTorch(libtorch) C++ 基本應用》
主要代碼參考：?https://github.com/zhpmatrix/load-pytorch-model-with-c-
一些 常見的問題：
1. opencv的mat讀入libtorch
根據我的實踐，這里的最佳寫法是：
src = imread(s, cv::IMREAD_COLOR); //讀圖// 圖像預處理 注意需要和python訓練時的預處理一致
int org_w = src.cols;
int org_h = src.rows;torch::Tensor img_tensor = torch::from_blob(src.data, { org_h, org_w,3 }, torch::kByte); //將cv::Mat轉成tensor,大小為448,448,3
img_tensor = img_tensor.permute({ 2, 0, 1 }); //調換順序變為torch輸入的格式 3,448,448
img_tensor = img_tensor.toType(torch::kFloat32).div_(255);注意要先將uint8的圖像先讀入，再轉換成float型。
2. Tensor 轉換成cv::Mat
cv::Mat input(img_tensor.size(1), img_tensor.size(2), CV_32FC1, img_tensor.data<float>());注意這里一定是CV_32FC1而不是CV_32FC3
另外的方式見：https://discuss.pytorch.org/t/convert-torch-tensor-to-cv-mat/42751/2
torch::Tensor out_tensor = module->forward(inputs).toTensor();
assert(out_tensor.device().type() == torch::kCUDA);
out_tensor=out_tensor.squeeze().detach().permute({1,2,0});
out_tensor=out_tensor.mul(255).clamp(0,255).to(torch::kU8);
out_tensor=out_tensor.to(torch::kCPU);
cv::Mat resultImg(512, 512,CV_8UC3);
std::memcpy((void*)resultImg.data,out_tensor.data_ptr(),sizeof(torch::kU8)*out_tensor.numel());3. model的輸出處理
如果只有一個返回值，可以直接轉tensor：auto outputs = module->forward(inputs).toTensor();如果有多個返回值，需要先轉tuple：auto outputs = module->forward(inputs).toTuple();
torch::Tensor out1 = outputs->elements()[0].toTensor();
torch::Tensor out2 = outputs->elements()[1].toTensor();
4.Tracing fails because of “parameter sharing”?
看這個案例：https://discuss.pytorch.org/t/help-tracing-fails-because-of-parameter-sharing/40324
其中的部分代碼如上，問題就出現在這些畫框的地方，主要是這里初始化重復使用了相同的模塊進行賦值，例如self.encoder與self.conv1。
解決的辦法就是在構造slef.conv1時，對self.encoder[0]加入deepcopy修飾。
即：
from copy import deepcopy
self.conv1 = nn.Sequential(deepcopy(self.encoder[0]),deepcopy(self.relu),deepcopy(self.encoder[2]),deepcopy(self.relu))參考：https://github.com/pytorch/pytorch/issues/8392#issuecomment-431863763
5. 關于python導出模型的問題
如果訓練的pytorch模型保存在cpu上，想在測試時使用gpu模式，則我們需要設置python端保存模型在gpu上，然后才能c++上使用gpu測試。
主要的方法就是：
checkpoint = torch.load(model_path, map_location="cuda:0") #very important# create modelmodel = TheModelClass(*args, **kwargs)model.load_state_dict(checkpoint)model.to(device)model.eval()x = torch.rand(1, 3, 448, 448)x = x.to(device) # very importanttraced_script_module = torch.jit.trace(model.model, x)traced_script_module.save("**.pt")
然后才能在c++上使用gpu模式，方法為：
std::shared_ptr<torch::jit::script::Module> module = torch::jit::load(argv[1]);module->to(at::kCUDA);assert(module != nullptr);std::cout << "ok\n";// 建立一個輸入，維度為(1,3,224,224)，并移動至cudastd::vector<torch::jit::IValue> inputs;inputs.push_back(torch::ones({1, 3, 224, 224}).to(at::kCUDA));// Execute the model and turn its output into a tensor.at::Tensor output = module->forward(inputs).toTensor();參考：
?
pytorch跨設備保存和加載模型（變量類型(cpu/gpu)不匹配原因之一）
https://pytorch.org/tutorials/beginner/saving_loading_models.html
https://blog.csdn.net/IAMoldpan/article/details/85057238
參考文獻：
1.利用Pytorch的C++前端(libtorch)讀取預訓練權重并進行預測
2.Pytorch的C++端(libtorch)在Windows中的使用
3.?https://pytorch.org/tutorials/advanced/cpp_frontend.html
4.?https://zhpmatrix.github.io/2019/03/01/c++-with-pytorch/
5.?Windows使用C++調用Pytorch1.0模型
6.?用cmake構建基于qt5,opencv,libtorch項目
7.?c++調用pytorch模型并使用GPU進行預測?（較好的例子）
8.?Ptorch 與libTorch 使用過程中問題記錄
9.?c++ load pytorch 的數據轉換
?
)
