深度学习模型在C++平台的部署

一、概述

  深度学习模型能够在各种生产场景中发挥重要的作用，而深度学习模型往往在Python环境下完成训练，因而训练好的模型如何在生产环境下实现稳定可靠的部署，便是一个重要内容。C++开发平台广泛存在于各种复杂的生产环境，随着业务效能需求的不断提高，充分运用深度学习技术的优势显得尤为重要。本文介绍如何实现将深度学习模型部署在C++平台上。

二、步骤

  s1. Python环境中安装深度学习框架（如PyTorch、TensorFlow等）；

  s2. P ython环境中设计并训练深度学习模型；

  s3. 将训练好的模型保存为.onnx格式的模型文件；

  s4. C++环境中安装Microsoft.ML.OnnxRuntime程序包；
  （Visual Studio 2022中可通过项目->管理NuGet程序包完成快捷安装）

  s5. C++环境中加载模型文件，完成功能开发。

三、示例

  在Python环境下设计并训练一个关于手写数字识别的卷积神经网络（CNN）模型，将模型导出为ONNX格式的文件，然后在C++环境下完成对模型的部署和推理。

1. Python训练和导出

import torch import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms from torch.functional import F  # 定义简单的CNN模型 class SimpleCNN(nn.Module):     def __init__(self):         super(SimpleCNN, self).__init__()         self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)         self.pool = nn.MaxPool2d(2, 2)         self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)         self.fc1 = nn.Linear(32 * 7 * 7, 128)         self.fc2 = nn.Linear(128, 10)      def forward(self, x):         x = self.pool(F.relu(self.conv1(x)))         x = self.pool(F.relu(self.conv2(x)))         x = x.view(-1, 32 * 7 * 7)         x = F.relu(self.fc1(x))         x = self.fc2(x)         return x  # 数据预处理 transform = transforms.Compose([     transforms.ToTensor(),     transforms.Normalize((0.1307,), (0.3081,)) ])  # 加载训练数据 train_dataset = datasets.MNIST('data', train=True, download=True, transform=transform) train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)  # 初始化模型、损失函数和优化器 model = SimpleCNN() criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001)  # 训练模型 def train(model, train_loader, criterion, optimizer, epochs=5):     model.train()     for epoch in range(epochs):         running_loss = 0.0         for batch_idx, (data, target) in enumerate(train_loader):             optimizer.zero_grad()             output = model(data)             loss = criterion(output, target)             loss.backward()             optimizer.step()             running_loss += loss.item()         print(f'Epoch {epoch+1}, Loss: {running_loss/len(train_loader)}')  # 训练模型 train(model, train_loader, criterion, optimizer)  # 导出为ONNX格式 dummy_input = torch.randn(1, 1, 28, 28) torch.onnx.export(     model,     dummy_input,     "mnist_model.onnx",     export_params=True,     opset_version=11,     do_constant_folding=True,     input_names=['input'],     output_names=['output'],     dynamic_axes={'input': {0: 'batch_size'}, 'output': {0: 'batch_size'}} )  print("模型已成功导出为mnist_model.onnx")   

2. C++ 部署和推理

#include <iostream> #include <vector> #include <opencv2/opencv.hpp> #include <onnxruntime_cxx_api.h>  int main() {     // 初始化环境     Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "MNIST");     Ort::SessionOptions session_options;     session_options.SetIntraOpNumThreads(1);     session_options.SetGraphOptimizationLevel(GraphOptimizationLevel::ORT_ENABLE_ALL);       // 加载模型     std::wstring model_path = L"mnist_model.onnx";     Ort::Session session(env, model_path.c_str(), session_options);       // 准备输入     std::vector<int64_t> input_shape = { 1, 1, 28, 28 };     size_t input_tensor_size = 28 * 28;     std::vector<float> input_tensor_values(input_tensor_size);           // 读取测试图片     cv::Mat test_image = cv::imread("test.jpg", cv::IMREAD_GRAYSCALE);               // 将Mat数据复制到vector中     for (int i = 0; i < test_image.rows; ++i) {         for (int j = 0; j < test_image.cols; ++j) {             input_tensor_values[i * test_image.cols + j] = static_cast<float>(test_image.at<uchar>(i, j)); // 注意：uchar是unsigned char的缩写，表示无符号字符，通常用于存储灰度值         }     }        // 创建输入张量     auto memory_info = Ort::MemoryInfo::CreateCpu(OrtArenaAllocator, OrtMemTypeDefault);     Ort::Value input_tensor = Ort::Value::CreateTensor<float>(         memory_info, input_tensor_values.data(), input_tensor_size, input_shape.data(), 4);      // 设置输入输出名称     std::vector<const char*> input_names;     std::vector<const char*> output_names;     input_names.push_back(session.GetInputNameAllocated(0, Ort::AllocatorWithDefaultOptions()).get());     output_names.push_back(session.GetOutputNameAllocated(0, Ort::AllocatorWithDefaultOptions()).get());      // 运行推理     auto output_tensors = session.Run(         Ort::RunOptions{ nullptr },         input_names.data(),         &input_tensor,         1,         output_names.data(),         1);      // 获取输出结果     float* output = output_tensors[0].GetTensorMutableData<float>();     std::vector<float> results(output, output + 10);      // 找到预测的数字     int predicted_digit = 0;     float max_probability = results[0];     for (int i = 1; i < 10; i++) {         if (results[i] > max_probability) {             max_probability = results[i];             predicted_digit = i;         }     }      std::cout << "预测结果: " << predicted_digit << std::endl;     std::cout << "置信度分布:" << std::endl;     for (int i = 0; i < 10; i++) {         std::cout << "数字 " << i << ": " << results[i] << std::endl;     }      return 0; }   

测试图片：

程序运行：

End.