libtorch部署1：模型训练和转换

前面已经研究过tensorflow，onnx的模型部署方案，这篇就来记录一下pyTorch模型的C++部署方案。

对于pyTorch，我的基本应用思路是：

• 采用pytorch进行训练模型，测试模型
• 用libtorch实现前向传播，推理部署

注意事项写在前面：

1. 注意 libtorch和VC版本对应。
   比如libtorch1.4对应的VC2015，libtorch1.6对应的VC2017。

2. 注意libtorch和pyTorch版本的对应。尽量要使用同一个版本号的。
   比如我用的就是pyTorch1.4版本和libTorch1.4版本

3. 注意libtorch/pyTorch和Cuda的版本对应。
   比如cuda10/10.1可以通用，Cuda10.2，cuda11.0就不能通用

基本环境

• 操作系统：Win10
• 编译器：VS 2015
• Cuda版本：CUDA10+cuDNN7.6.5
• Python版本：Anaconda3-5.2.0-Windows-x86_64（对应python3.6.5）
• Pytorch版本：1.4.0
• Libtorch版本：1.4.0

说明：
对于Anaconda、VC、CUDA/cuDNN这些基础环境的安装，比较简单，就直接略过了。

1.pyTorch安装

Torch历史版本下载
https://pytorch.org/get-started/previous-versions/

//CUDA 10.0/10.1

conda install pytorch==1.4.0 torchvision==0.5.0 cudatoolkit=10.1 -c pytorch

安装完成后直接测试：

python

import torch
print(torch.__version__)
print (torch.cuda.is_available())

能正常输出版本号和支持cuda，这表示安装成功。

2.训练模型

这里可以直接通过torchvision直接下载一个预处理模型，也可以自己训练。
如果是有现成的预处理模型，就跳到下一步模型转换。

这里为了方便记录流程，我采用的训练模型。
下面是mnist手写字体识别的模型训练：

import argparse
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from torchvision import datasets, transforms
import PIL

class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = F.relu(F.max_pool2d(x, 2))
        x = self.conv2(x)
        x = F.relu(F.max_pool2d(self.conv2_drop(x), 2))
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)


def train(args, model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % args.log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.datase