关于python调用c/c++代码编译的动态库

现在深度学习在CV领域非常流行，多如牛毛的学习框架也使深度学习变得简单，但是目前大多数学习框架都是基于python开发也提供友好方便的python调用接口，因此我们搭建模型与训练网络的时候用一些python监本的形式是方便的，python这个所谓的胶水语言典型的缺点就是运算速度太慢，与c/c++相比简直不忍直视，大多数的学习框架都使用了gpu进行加速，但gpu加速的编程对于我这样的小白来说难度太大，因此探究了如何用python与c/c++混合编程的形式实现一些深度学习框架以外的函数。博主亲测了使用python调用c代码编译的动态库的形式比纯python的实现要快上几百倍，这个还是没使用多线程，gpu等一些加速策略的前提下，当然封装库的时候也可以用上多线程等加速策略，效果会更显著。

1.python脚本中使用ctypes导入c/c++动态库

（1）win下python调用：

  import ctypes
  lib=ctypes.cdll.LoadLibrary('xxx/xxx.dll')或lib=ctypes.CDLL('xxx/xxx.dll')

（2）linux下python调用：

  import ctypes
  lib=ctypes.cdll.LoadLibrary('xxx/xxx.so')或lib=ctypes.CDLL('xxx/xxx.so')

2.如何将c/c++代码编译成.dll/.so

（1）win下编译：

这个不用多说了，可以借助VS编译，也可以借助GCC编译，但值得一提的是，如果python是32位的，则必须编译32位的库，64位的python必须编译64位的库，否则调用时会报错。
具体VS平台如何编译可参考：https://www.cnblogs.com/xiacaojun/p/9968284.html或https://www.jianshu.com/p/2c086c2f351d
具体编译的32或64位库如何切换可以参考：https://blog.csdn.net/www89574622/article/details/77160014
（2）linux下编译：

linux下编译更简单了，一句话搞定：gcc -o xxx.so -shared -fPIC xxx.c，但也要注意32和64位库的对应。

3.将python中的数据传到c/c++库的接口

深度学习中最最常用的数据类型当然是张量，python脚本一般用numpy的数据类型存储tensor，因此如何将numpy的数据类型传入接口是需要的，我们可以使用numpy的npct，举例如下：
假设接口：void fun(unsigned char *in, unsigned char *out, int a, float b)
调用形式如下：lib.fun.argtypes = [
npct.ndpointer(dtype=np.uint8,ndim=3),
npct.ndpointer(dtype=np.uint8,ndim=2),
c_int,
c_float
]
这个是指定接口的数据类型，然后后面可以正常调用了。