C++调用tensorflow模型

开发环境：VS2015，python3.6 ，tensorflow-gpu=1.6

C++测试代码

随便写了一个简单的测试代码，在此之前工程要加上包含路径和库目录，我的python路径为 F:/Anaconda/envs/python36：

#include<iostream>
#include <Python.h>
#include<windows.h>
using namespace std;
void testImage(char * path)
{
	try {
		Py_SetPythonHome(L"F:/Anaconda/envs/python36");
		Py_Initialize();
		PyEval_InitThreads();
	
		PyObject*pFunc_init = NULL;
		PyObject*pArg = NULL;
		PyObject*pArg_str = NULL;
		PyObject*pArg_init = NULL;
		PyObject* module = NULL;
		

		module = PyImport_ImportModule("test1");//test1:Python文件名  
		if (!module) {
			printf("cannot open module!");
			Py_Finalize();
			return;
		}
		pFunc_init = PyObject_GetAttrString(module, "init");//init:Python文件中的函数名 
		if (!pFunc_init) {
			printf("cannot open FUNC_init!");
			Py_Finalize();
			return;
		}
		
		//开始调用model  

		pArg = Py_BuildValue("(s)", path);
		pArg_str = PyTuple_New(1);
		PyTuple_SetItem(pArg_str, 0, pArg);

		if (module != NULL) {
			PyGILState_STATE gstate;
			gstate = PyGILState_Ensure();
			PyEval_CallObject(pFunc_init, pArg);
		}
	}
	catch (exception& e)
	{
		cout << "Standard exception: " << e.what() << endl;
	}

}


int main()
{
	char * path = "2.jpg";
	testImage(path);
	system("pause");
	return 0;
}

其中要注意path最好不要包含中文，如果包含中文路径，记得加上：#pragma execution_character_set(“utf-8”)。

python测试代码

之前做的一个磁瓦正反面检测模型，就随便改了一下，反正用来测试，能用就行了。

import tensorflow as tf
import numpy as np
import os
import csv
import time

if 1:
    CHECKPOINT_DIR = './all_model'
    INCEPTION_MODEL_FILE = './inception_dec_2015/tensorflow_inception_graph.pb'

    # inception-v3模型参数
    BOTTLENECK_TENSOR_NAME = 'pool_3/_reshape:0'  # inception-v3模型中代表瓶颈层结果的张量名称
    JPEG_DATA_TENSOR_NAME = 'DecodeJpeg/contents:0'  # 图像输入张量对应的名称
    other_dict = {0: '不正常', 1: '正常'}
    checkpoint_file = tf.train.latest_checkpoint(CHECKPOINT_DIR)


def init(path):
    with tf.Graph().as_default() as graph:
        with tf.Session().as_default() as sess:
            # 读取训练好的inception-v3模型
            with tf.gfile.FastGFile(INCEPTION_MODEL_FILE, 'rb') as f:
                graph_def = tf.GraphDef()
                graph_def.ParseFromString(f.read())
            print ("1")
            # 加载inception-v3模型，并返回数据输入张量和瓶颈层输出张量
            bottleneck_tensor, jpeg_data_tensor = tf.import_graph_def(
                graph_def,
                return_elements=[BOTTLENECK_TENSOR_NAME, JPEG_DATA_TENSOR_NAME])
            saver = tf.train.import_meta_graph('{}.meta'.format(checkpoint_file))
            saver.restore(sess, checkpoint_file)

            image_data = tf.gfile.FastGFile(path, 'rb').read()
            if len(image_data) > 100:

                # 使用inception-v3处理图片获取特征向量
                bottleneck_values = sess.run(bottleneck_tensor,
                                             {jpeg_data_tensor: image_data})
                # 将四维数组压缩成一维数组，由于全连接层输入时有batch的维度，所以用列表作为输入
                bottleneck_values = [np.squeeze(bottleneck_values)]
                # 加载元图和变量
                # 通过名字从图中获取输入占位符
                input_x = graph.get_operation_by_name(
                    'BottleneckInputPlaceholder').outputs[0]
                # 我们想要评估的tensors
                predictions = graph.get_operation_by_name('evaluation/ArgMax').outputs[0]
                # 收集预测值
                all_predictions = []
                all_predictions = sess.run(predictions, {input_x: bottleneck_values})

                print(other_dict[all_predictions[0]])

测试结果