python调用训练好的模型_在 C/C++ 中使用 TensorFlow 预训练好的模型—— 间接调用 Python 实现...

现在的深度学习框架一般都是基于 Python 来实现，构建、训练、保存和调用模型都可以很容易地在 Python 下完成。但有时候，我们在实际应用这些模型的时候可能需要在其他编程语言下进行，本文将通过 C/C++ 间接调用 Python 的方式来实现在 C/C++ 程序中调用 TensorFlow 预训练好的模型。

1. 环境配置

为了能在 C/C++ 中调用 Python，我们需要配置一下头文件和库的路径，本文以 Code::Blocks 为例介绍。

在 Build -> Project options 添加链接库 libpython3.5m.so 和头文件 Python.h 所在的路径，不同 Python 版本可以自己根据情况调整。

2. 初始化并导入 Python 模块及相关函数

void Initialize()

{

Py_Initialize();

if ( !Py_IsInitialized() )

{

printf("Initialize failed!");

}

// Path of the python file. 需要更改为 python 文件所在路径

PyRun_SimpleString("import sys");

PyRun_SimpleString("sys.path.append('/home/senius/python/c_python/test/')");

const char* modulName = "forward"; // Module name of python file.

pMod = PyImport_ImportModule(modulName);

if(!pMod)

{

printf("Import Module failed!\n");

}

const char* funcName = "load_model"; // Function name in the python file.

load_model = PyObject_GetAttrString(pMod, funcName);

if(!load_model)

{

printf("Import load_model Function failed!\n");

}

funcName = "predict"; // Function name in the python file.

predict = PyObject_GetAttrString(pMod, funcName);

if(!predict)

{

printf("Import predict Function failed!\n");

}

PyEval_CallObject(load_model, NULL); // 导入预训练的模型

pParm = PyTuple_New(1); // 新建一个元组，参数只能通过元组传入 Python 程序

}

通过 PyImport_ImportModule 我们可以导入需要调用的 Python 文件，然后再通过 PyObject_GetAttrString 得到模块里面的函数，最后导入预训练的模型并新建一个元组作为参数的传入。

3. 构建从 C 传入 Python 的参数

void Read_data()

{

const char* txtdata_path = "/home/senius/python/c_python/test/04t30t00.npy";

//Path of the TXT file. 需要更改为txt文件所在路径

FILE *fp;

fp = fopen(txtdata_path, "rb");

if(fp == NULL)

{

printf("Unable to open the file!");

}

fread(data, num*SIZE, sizeof(float), fp);

fclose(fp);

// copying the data to the list

int j = 0;

pArgs = PyList_New(num * SIZE); // 新建一个列表，并填入数据

while(j < num * SIZE)

{

PyList_SET_ITEM(pArgs, j, Py_BuildValue("f", data[j]));

j++;

}

}

读入测试数据，并将数据填入到一个列表。

4. 将列表传入元组，然后作为参数传入 Python 中，并解析返回值

void Test()

{

PyTuple_SetItem(pParm, 0, pArgs);

pRetVal = PyEval_CallObject(predict, pParm);

int list_len = PyList_Size(pRetVal);

PyObject *list_item = NULL;

PyObject *tuple_item = NULL;

for (int i = 0; i < list_len; i++)

{

list_item = PyList_GetItem(pRetVal, i);

tuple_item = PyList_AsTuple(list_item);

PyArg_ParseTuple(tuple_item, "f", &iRetVal[i]);

}

}

传入元组到 Python 程序，调用 predict 函数得到返回值，然后进行解析。

5. 一些参数和主函数

#include

#include

#define SIZE 41*41*41*3

#define NUM 100

PyObject* pMod = NULL;

PyObject* load_model = NULL;

PyObject* predict = NULL;

PyObject* pParm = NULL;

PyObject* pArgs = NULL;

PyObject* pRetVal = NULL;

float iRetVal[NUM*3] = {0};

float data[NUM * SIZE] = {0};

int num = 1; //实际的样本数100

void Initialize();

void Read_data();

void Test();

int main(int argc, char **argv)

{

Initialize(); // 初始化

Read_data(); // 读入数据

Test(); // 调用预测函数并解析返回值

int j = 0;

while(j < num*3)

{

printf("%f\n", iRetVal[j]);

j++;

}

printf("Done!\n");

Py_Finalize();

return 0;

}

获取更多精彩，请关注「seniusen」!