win10+VS2017+Opencv3.4.1+libtorch开发环境搭建(2)

在前文中我们讲过VS2017+Opencv3.4.1的配置，本文就让我们来讲libtorch的环境配置吧。在配置完成之后，我们写一个简单的VS2017工程，通过调用libtorch的函数来验证我们的配置是否成功。

win10+VS2017+Opencv3.4.1+libtorch开发环境搭建(1)

首先，讲一下我的liborch版本以及相关依赖库的版本的下载与安装，这里必须要版本互相对应，否则很可能会出错：

1. liborch

从官网下载相应的libtorch库：

https://pytorch.org/get-started/locally/

如下图所示，读者需要注意根据自己的配置环境选择对应的版本：

我选择的是Release版本，下载下来的libtorch库如下图所示：

把以上压缩文件解压到某一目录，解压出来之后包含以下文件：

2. CUDA

去NVIDIA官网下载CUDA：

https://developer.nvidia.com/cuda-downloads

我使用的版本是CUDA 11.1，读者如果使用与我不同版本的libtorch，则需要另外选择对应的CUDA版本。

需要注意的是，CUDA的安装必须在VS2017之后，否则VS2017将不能识别CUDA程序，并且不能新建CUDA工程。不过如果读者是先安装了CUDA再安装的VS2017，也不必卸载并重装VS2017，直接重装CUDA即可。而且，安装CUDA的过程中只需点击next即可，最好不要修改默认路径，否则很可能会出错。

3. CUDNN

同样去NVIDIA官网下载CUDNN：

https://developer.nvidia.com/rdp/cudnn-download

我使用的是CUDNN 11.2 x64版本，读者如果使用与我不同版本的CUDA，则需要另外选择对应的CUDNN版本。

解压以上压缩包，得到以下文件：

这时，我们需要找到CUDA的安装路径，我电脑上的路径为：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1

如果读者安装CUDA时没有修改默认路径，基本可以认为路径跟我的是一样的（可能有区别的是最后的v11.1版本不一样）。

接着，需要将解压CUDNN压缩包得到的一些文件拷贝到CUDA的安装目录：

(1) 将以上bin文件夹下面的文件拷贝到以上CUDA安装路径的bin文件夹下；

(2) 将以上include文件夹下面的文件拷贝到以上CUDA安装路径的include文件夹下；

(3) 将以上lib/x64文件夹下面的文件拷贝到以上CUDA安装路径的lib/x64文件夹下；

(4) 把CUDA安装路径的lib/x64目录添加到系统环境变量path中，我电脑上的完整路径为：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64

那么将以上路径添加到系统环境变量path中：

经过上述安装与配置，接下来我们可以开始VS2017工程的配置了。首先新建一个空的VS2017控制台程序，设置为Release/x64版本，并添加一个main文件（前文配置Opencv的时候已经详细说明怎么新建和设置工程，此处不再重复）：

1. 设置头文件包含目录

项目-->属性-->VC++目录-->包含目录-->选择头文件目录：

(1) 设置Opencv3.4.1头文件目录如下，opencv-3.4.1-vs2017-build也就是我们前面编译Opencv3.4.1时设置的编译目录：

E:\opencv\opencv-3.4.1-vs2017-build\install\include

(2) 设置libtorch头文件目录如下，这里的目录也就是我们把libtorch库下载下来之后的解压目录：

D:\libtorch_build\libtorch\include

D:\libtorch_build\libtorch\include\torch\csrc\api\include

2. 设置库目录

项目-->属性-->VC++目录-->库目录-->选择库文件目录：

(1) 设置Opencv3.4.1库文件目录如下，opencv-3.4.1-vs2017-build也就是我们前面编译Opencv3.4.1时设置的编译目录：

E:\opencv\opencv-3.4.1-vs2017-build\install\x64\vc15\lib

(2) 设置libtorch库文件目录如下，这里的目录也就是我们把libtorch库下载下来之后的解压目录：

D:\libtorch_build\libtorch\lib

3. 添加依赖库

项目-->属性-->链接器-->输入-->附加依赖项-->添加相应的lib文件。

这里贴出我添加的文件如下（如果带有绝对路径，读者需要注意填写自己电脑上面的对应文件的实际路径，不过也大同小异啦）：

c10.lib
C:\Program Files\NVIDIA Corporation\NvToolsExt\\lib\x64\nvToolsExt64_1.lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64\cudart_static.lib
caffe2_nvrtc.lib
c10_cuda.lib
torch.lib
torch_cuda.lib
torch_cuda_cu.lib
-INCLUDE:?searchsorted_cuda@native@at@@YA?AVTensor@2@AEBV32@0_N1@Z
torch_cuda_cpp.lib
torch_cpu.lib
C:\Program Files\NVIDIA Corporation\NvToolsExt\lib\x64\nvToolsExt64_1.lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64\cufft.lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64\curand.lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64\cublas.lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64\cudnn.lib
-INCLUDE:?warp_size@cuda@at@@YAHXZ
opencv_img_hash341.lib
opencv_world341.lib

4. 在main文件添加代码

#include <iostream>
#include <memory>
#include <torch/torch.h>
#include <torch/script.h>
#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/xfeatures2d.hpp>


using namespace cv;
using namespace std;


int main()
{
  std::cout << "Hello World!\n";
  torch::Tensor tensor = torch::rand({ 2,3 });
  std::cout << tensor << std::endl;
  torch::save(tensor, "tensor.pt");


  std::cout << "cuda::is_available():" << torch::cuda::is_available() << std::endl;


  return EXIT_SUCCESS;
}

5. 编译并运行上述代码，得到结果如下：

如果运行没有没有出错，至此则VS2017+Opencv3.4.1+libtorch环境配置成功，接下来可以开始奇妙的libtorch深度学习之旅啦~

不过需要注意的是，如果打印出来的是“cuda::is_available():1”，说明可以运行CUDA加速版本的libtorch，如果打印出来的是“cuda::is_available():0”，说明不能运行CUDA加速版本的libtorch，原因可能是没有安装好CUDA、电脑显卡本身不支持CUDA，或者没有配置好VS2017工程等，需要逐一排查。

如果读者有安装过Caffe或者Tensorflow等深度学习框架，肯深有体会，它们有好多依赖库，安装起来非常麻烦，而且还需要各种采坑，让人抓狂。一对比下来，发现配置libtorch环境则简便得多。