python调用tensorflow库_Tensorflow C++ API调用Python预训练模型

最近一段时间研究了如何打通tensorflow线下使用python训练深度学习模型，然后线上使用c++调用预先训练好的模型完成预测的流程。毕竟深度学习模型上线是需要考虑效率的，目前来说c++的效率还是python所不能比的。

这篇文章基于tensorflow 1.2版本写的，tensorflow 1.2版本及以上提供了一种更加方便的c++ API调用python API训练好的模型。但这方面的资料比较少，自己也踩了不少坑，于是写了一个简单的使用tensorflow c++ API调用线下python API训练好的模型的demo，以及如何配置环境和编译。

大体的流程如下：

1.使用tensorflow python API编写和训练自己的模型，训练完成后，使用tensorflow saver 将模型保存下来。

2.使用tensorflow c++ API 构建新的session，读取python版本保存的模型，然后使用session->run()获得模型的输出。

3.编译和运行基于tensorflow c++ API写的代码。

安装Bazel

Bazel是一个类似于Make的工具，是Google为其内部软件开发的特点量身定制的工具，如今Google使用它来构建内部大多数的软件。

在编译 tensorflow c++的时候，需要利用bazel来进行编译的，理论上是可以使用Cmake等其工具来编译的，但是我尝试了好久没有成功，所以最后还是使用了google的bazel进行编译。希望有大神可以把编译方法告诉我～

安装方法按照官方教程走就行。我采用的是直接编译二进制文件的方法，这个最简单直接，首先下载对应版本的二进制文件，然后执行下面的命令即可：

$ chmod +x bazel-version-installer-os.sh

$ ./bazel-version-installer-os.sh --user

下载Tensorflow源码

我们需要将Tensorflow源码下载到本地，后续编译tensorflow c++ 代码需要在这个目录下进行。在这里需要说明的一点是，本文采用的c++ API载入python 预训练模型的方法，是基于tensorflow1.2版本。所以需要下载tensorflow 1.2版本及以上，直接从github上clone即可：

$ git clone -b r1.2 https://github.com/tensorflow/tensorflow.git

使用Tensorflow Python API线下定义模型和训练

这里的话我写了一个十分简单的基于tensorflow的demo&#x