海淀深圳网站建设公司全网推广系统

在 PyTorch 中，通常使用 Python 来定义和训练模型，但是可以将训练好的模型导出为 TorchScript，然后在 C++ 中加载和使用。以下是一个详细的过程，展示了如何将 PyTorch 模型封装成 C++ API：

步骤 1: 定义和训练模型（Python）

首先，在 Python 中定义并训练你的 PyTorch 模型。

import torch
import torch.nn as nn
import torch.optim as optim
# 定义模型
class SimpleNN(nn.Module):def __init__(self):super(SimpleNN, self).__init__()self.fc1 = nn.Linear(10, 5)self.fc2 = nn.Linear(5, 2)def forward(self, x):x = torch.relu(self.fc1(x))x = self.fc2(x)return x
# 实例化模型
model = SimpleNN()
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01)
# 训练模型（略）
# ...
# 保存模型为 TorchScript
model.eval()
example_input = torch.rand(1, 10)
traced_script_module = torch.jit.trace(model, example_input)
traced_script_module.save("model.pt")

步骤 2: 导出模型为 TorchScript

使用 torch.jit.trace 或 torch.jit.script 将模型导出为 TorchScript 格式，并保存到文件中。

步骤 3: 编写 C++ 代码加载模型

在 C++ 中，使用 PyTorch C++ API 来加载模型并创建一个推理函数。

#include <torch/script.h> // PyTorch C++ API
torch::jit::script::Module load_model(const std::string& model_path) {torch::jit::script::Module module;try {// 加载模型module = torch::jit::load(model_path);}catch (const c10::Error& e) {std::cerr << "error loading the model\n";exit(EXIT_FAILURE);}return module;
}
torch::Tensor infer(const torch::jit::script::Module& module, torch::Tensor input) {// 执行前向传播torch::Tensor output = module.forward({input}).toTensor();return output;
}
int main() {// 加载模型torch::jit::script::Module module = load_model("model.pt");// 创建输入张量torch::Tensor input_tensor = torch::ones({1, 10});// 执行推理torch::Tensor output_tensor = infer(module, input_tensor);// 处理输出（略）// ...
}

步骤 4: 编译和运行 C++ 代码

为了编译 C++ 代码，你需要链接 PyTorch C++ 库。这通常涉及到从源代码构建 PyTorch 或使用预编译的库。

g++ -std=c++11 -I /path/to/libtorch/include -I /path/to/libtorch/include/torch/csrc/api/include infer.cpp -o infer -L /path/to/libtorch/lib -ltorch -ltorch_cpu -lc10

步骤 5: 运行 C++ 推理程序

./infer

这个程序将加载 Python 中训练并导出的模型，然后使用 C++ 进行推理。这种方式允许你在嵌入式设备或移动设备上使用 C++ 来部署 PyTorch 模型，从而利用 C++ 的高性能和硬件级别的控制。