使用C++编写接口调用PyTorch模型，并生成DLL供.NET使用

一、将PyTorch模型保存为TorchScript格式

1）构造一个pytorch2TorchScript.py，示例代码如下：

import torch
import torch.nn as nn
import argparse
from networks.seg_modeling import model as ViT_seg
from networks.seg_modeling import CONFIGS as CONFIGS_ViT_seg
import warnings
warnings.filterwarnings("ignore")

def get_model(args):
    """
    加载并配置模型。
    根据输入的配置参数创建模型并加载预训练的权重文件。
    
    Args:
        args: 命令行输入的参数集合。
    
    Returns:
        解包后的模型实例。
    """
    # 根据配置文件选择模型
    config_vit = CONFIGS_ViT_seg[args.vit_name]
    
    # 根据模型类型配置跳跃连接与分类数
    if 'R50' in args.vit_name:
        config_vit.n_classes = args.num_classes
        config_vit.n_skip = 3
    else:
        config_vit.n_classes = args.num_classes
        config_vit.n_skip = 0

    # 配置模型的输入图像patch大小
    config_vit.patches["size"] = (args.vit_patches_size, args.vit_patches_size)

    # 实例化模型，并将其转移到GPU上
    model = ViT_seg(config_vit, img_size=args.img_size, num_classes=config_vit.n_classes).cuda()
    model = nn.DataParallel(model)  # 使用多个GPU进行并行计算
    
    # 加载预训练的模型权重
    model.load_state_dict(torch.load(args.model_path))
    
    # 返回解包后的模型实例
    return model.module

def export_to_torchscript(model, example_input, output_path):
    """
    将模型导出为TorchScript格式。
    
    Args:
        model: 要导出的模型实例。
        example_input: 示例输入张量，用于模型的跟踪（tracing）。
        output_path: 导出后的TorchScript模型保存路径。
    """
    model.eval()  # 设置模型为推理模式
    
    # 使用trace方法将模型导出为TorchScript
    traced_model = torch.jit.trace(model, example_input)
    
    # 将导出的模型保存为.pt文件
    traced_model.save(output_path)
    print(f"模型已保存为TorchScript格式: {output_path}")

def main(args):
    # 加载模型
    model_to_export = get_model(args)

    # 创建一个示例输入张量 (大小为[BZ, channel, args.img_size, args.img_size])
    example_input = torch.randn(1, 1, args.img_size, args.img_size).cuda() 

    # 模型导出的保存路径
    output_path = "torchscript/model_scripted.pt"
    
    # 导出模型为TorchScript格式
    export_to_torchscript(model_to_export, example_input, output_path)

if __name__ == "__m