PyTorch如今发布到1.1稳定版本，新增的功能让模型部署变得更为地简单，本文记录如何利用C++来调用PyTorch训练好的模型，其实也是利用官方强大的LibTorch库。

LibTorch的安装

虽然说安装，其实就是下载官方的LibTorch包而已，从官方网站中选择PyTorch(1.1)，libtorch，以及cuda的版本，其中会出现下载链接，这里为cuda9.0的链接
https://download.pytorch.org/libtorch/cu90/libtorch-shared-with-deps-latest.zip
下载好找个路径解压。解压完放在那不动！！

PyTorch模型训练

这里我使用了最为简单ResNet50的预训练模型，其中保存跟踪模型的代码如下：

import torch
import torchvision.models as models
from PIL import Image
import numpy as np
image = Image.open("build/airliner.jpg") #图片发在了build文件夹下
image = image.resize((224, 224),Image.ANTIALIAS)
image = np.asarray(image)
image = image / 255
image = torch.Tensor(image).unsqueeze_(dim=0)
image = image.permute((0, 3, 1, 2)).float()

model = models.resnet50(pretrained=True)
model = model.eval()
resnet = torch.jit.trace(model, torch.rand(1,3,224,224))
# output=resnet(torch.ones(1,3,224,224))
output = resnet(image)
max_index = torch.max(output, 1)[1].item()
print(max_index) # ImageNet1000类的类别序号
resnet.save('resnet.pt')

注意这里使用的是jit中的trace跟踪模型的方式，毫无疑问最后的输入的能够得到飞机的类别，ImageNet1000类的序号类别可以参考此处
通过该代码能够在根目录下产生一个resnet.pt的文件，这个文件就是接下来C++所需要调用的。

C++调用训练好的模型

在写C++调用模型的代码之前，先写好CMakeLists文件：

cmake_minimum_required(VERSION 3.0 FATAL_ERROR)

project(example_torch)
set(CMAKE_PREFIX_PATH "XXX/libtorch") //注意这里填自己解压libtorch时的路径

find_package(Torch REQUIRED)
find_package(OpenCV 3.0 QUIET)
if(NOT OpenCV_FOUND)
    find_package(OpenCV 2.4.3 QUIET)
    if(NOT OpenCV_FOUND)
        message(FATAL_ERROR "OpenCV > 2.4.3 not found.")
    endif()
endif()
add_executable(${PROJECT_NAME} "main.cpp")
target_link_libraries(${PROJECT_NAME} ${TORCH_LIBRARIES} ${OpenCV_LIBS})
set_property(TARGET ${PROJECT_NAME} PROPERTY CXX_STANDARD 11)

其中要设置好CMAKE_PREFIX_PATH路径，这个路径就是我们解压libtorch的路径，不然无法链接到libtorch库,其中也设置了OpenCV的配置，具体OpenCV的安装这里介绍了。
然后就是C++调用PyTorch模型的代码

#include <torch/torch.h>
#include <torch/script.h>
#include <iostream>
#include <vector>
#include <opencv2/highgui.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/opencv.hpp>

void TorchTest(){
    std::shared_ptr<torch::jit::script::Module> module = torch::jit::load("../resnet.pt");
    assert(module != nullptr);
    std::cout << "Load model successful!" << std::endl;
    std::vector<torch::jit::IValue> inputs;
    inputs.push_back(torch::zeros({1,3,224,224}));
    at::Tensor output = module->forward(inputs).toTensor();
    auto max_result = output.max(1, true);
    auto max_index = std::get<1>(max_result).item<float>();
    std::cout << max_index << std::endl;
}

void Classfier(cv::Mat &image){
    torch::Tensor img_tensor = torch::from_blob(image.data, {1, image.rows, image.cols, 3}, torch::kByte);
    img_tensor = img_tensor.permute({0, 3, 1, 2});
    img_tensor = img_tensor.toType(torch::kFloat);
    img_tensor = img_tensor.div(255);
    std::shared_ptr<torch::jit::script::Module> module = torch::jit::load("../Train/resnet.pt");
    torch::Tensor output = module->forward({img_tensor}).toTensor();
    auto max_result = output.max(1, true);
    auto max_index = std::get<1>(max_result).item<float>();
    std::cout << max_index << std::endl;

}

int main() {
// TorchTest();
    cv::Mat image = cv::imread("airliner.jpg");
    cv::resize(image,image, cv::Size(224,224));
    std::cout << image.rows <<" " << image.cols <<" " << image.channels() << std::endl;
    Classfier(image);
    return 0;
}

其中TorchTest函数只是做了简单的演示，而Classfier通过OpenCV读取图片，并通过libtorch的函数将Mat格式转换成Tensor(注意：这里转换了维度，因为OpenCV的维度是[H,W,C], 而PyTorch模型需要的是[C,H,W])，最后依然能够输出和Python代码一样的答案。
这里比较重要的几个函数有：
torch::from_blob():这个函数将Mat类型转换成Tensor类型。
torch::jit::load():该函数顾名思义就是加载模型的函数。
module->forward():模型前向传播的函数，输入值建议使用vector类型
max(): 这个函数是libtorch中的max，返回c++中的tuple类型（第一个值为维度上最大值，第二个值为最大值的序号）所以使用std::get<1>(max_result)来取出序号，这是tuple类型取出方式。