Libtorch部署与教程

vs2015编译错误解决：/jit/pickler.h(34): error C2059: 语法错误:“常量” ；error C3805: “常量”: 意外标记，应输入“}”或者“,

libtorch环境搭建、生成库文件、测试

利用Pytorch的C++前端(libtorch)读取预训练权重并进行预测

tensorFromBlob”: 不是“at::DeprecatedTypeProperties”的成员

（1）libtorch找不到GPU

通过python import torch时，返回为True。所以cuda、cudnn和torch都没问题。
在“属性 --> 链接器 --> 命令行 --> 其他选项”中添加：

/INCLUDE:?warp_size@cuda@at@@YAHXZ

（2）tensor、mat互转

方法一：
cv::Mat resultImg(960, 960, CV_8U , out_byte.data_ptr());#这里遇到过报错，out_byte前面数据处理完，在这里处理可以会报错，512尺寸没问题，1024不知为何报错了
方法二：
std::memcpy((void*)resultImg.data, out_byte.data_ptr(), out_byte.numel());

torch::Tensor tensor_image = torch::from_blob(image.data, { 1, image_h, image_w, 3 }, torch::kByte).to(device_type);
tensor_image = tensor_image.permute({ 0, 3, 1, 2 }).toType(torch::kFloat);
module.eval();
torch::NoGradGuard no_grad;
torch::Tensor out_tensor = module.forward({ tensor_image }).toTensor();

矩阵和tensor相互转换

（3）返回三通道用到contiguous()

torch::Tensor out = out_tensor.squeeze().detach().to(torch::kCPU);
torch::Tensor out_byte = out.clamp(0, 255).toType(torch::kUInt8).permute({ 1, 2, 0 }).contiguous();
cv::Mat resultImg(960, 960, CV_8UC3, out_byte.data_ptr());
cv::Mat resultImg_(960, 960, CV_8UC3);
cv::cvtColor(resultImg, resultImg_, CV_RGB2BGR);

返回三通道tensor不用contiguous()会出现下面的重复图像

（4）C++不通过libtorch调用pytorch模型

关键是Mat图像转化为PyObject对象
Windows下C++调用Python版的Pytorch模型

（5）tensor类型转换

# tensor转float
auto x = at::tensor(1.0);
float x_val = x.item().toFloat();#法一
float fmax_1 = max_1.item<float>();#法二

# float转tensor
torch::Tensor b = torch::tensor(0.33 )

cx.toType(torch::kFloat);

（6）libtorch教程

c++ 部署libtorch时常用操作API
6.libtorch张量的切片与索引
c++ 部署libtorch 时对Tensor块的常用操作API
libtorch (pytorch c++) 教程（二）
libtorch 常用api函数示例（史上最全、最详细）

（7）libtorch切片

torch::select()只可以取一个索引，内存共享
torch::index_select()可以取好几个索引，没有内存共享。
torch::slice()获取tensor数据块中roi区域的数据，不复制，内存共享。
torch::index通过索引获取张量的值
torch::index_put_通过切片或索引改变张量的值
torch::masked_select根据条件选出指定的元素值

a[2,2]等价 a.index({ 2, 2 })
a[…,2]等价 a.index({ “…”, 2 })
a[:,::2]等价 a.index({ Slice(None), Slice(None,None,2)})
a[1::2,:]等价 a.index({ Slice(1,None, 2),Slice(None) })
a[1:3,:]等价 a.index({ Slice(1,3),Slice(None) })

（8）libtorch张量的合并与拆分

（9） libtorch张量基本数值类型

#include <torch/torch.h>
#include <torch/script.h>
#include <opencv2/opencv.hpp>
int main() {
	auto a = torch::tensor({ {1,2,3},{-4,-5,-6} }, torch::kI8);
	auto b = torch::tensor({ {1,2,3},{4,5,6} }, torch::kU8);
	auto c = torch::tensor({ 1.2,1.3,20.159 }, torch::kF32); //kF32是kFloat32缩写
	auto d = torch::tensor({ 0,1,2 }, torch::kBool);

	std::cout << "a：\n" << a << std::endl;
	std::cout << "b：\n" << b << std::endl;
	std::cout << "c：\n" << c << std::endl; 
	std::cout << "d：\n" << d << std::endl;
	return 0;
}

（10）模型转换

pytorch转libtorch，全网最全资料

• 方法一：Tracing
  缺点是如果模型中存在控制流比如if-else语句，一组输入只能遍历一个分支，这种情况下就没办法完整的把模型信息记录下来。
• 方法二：Scripting

（11）libtorch组成

三大命名空间：at,torch与c10。at(ATen)负责声明和定义Tensor运算，是最常用到的命名空间，c10是 ATen 的基础，包含了PyTorch的核心抽象、Tensor和Storage数据结构的实际实现。torch命名空间下定义的 Tensor 相比于ATen 增加自动求导功能。

• C10，来自于Caffe Tensor Library的缩写。这里存放的都是最基础的Tensor库的代码，可以运行在服务端和移动端。PyTorch目前正在将代码从ATen/core目录下迁移到C10中。
• ATen，来自于 A TENsor library for C++11的缩写，ATen部分有大量的代码是来声明和定义Tensor运算相关的逻辑的
• Torch

(12) .mul()和.mul_()，.exp()和.exp_()区别

所有带"——"都是inplace的 意思就是操作后 原数也会改动
不带 “——” 的 只在操作适时候改变数据，操作结束后数据变回原状