WIN10+VS2019+libtorch（CPU版）配置

配置环境：
–系统：Win10
–开发工具：VS2019
–opencv版本：3.4.14
–torch版本：1.4
–torchvision版本：0.5.0

主要步骤：
–1.安装libtorch
–2.python版torch权重文件生成（应用于后续实验）
–3.VS中libtorch配置

第一部分：安装libtorch
（1）直接上pytorch官网下载libtorch，其中libtorch尽量和环境下的torch版本一致；如下图所示，可根据自己下载的libtorch版本更改红线中版本号即可，本文主要是下载1.4.0的release版本；


第二部分：python版torch权重文件生成（应用于后续实验）
（1）使用以下代码生成 “.pt” 权重文件，以ResNet34分类网络为例，代码如下所示：
运行以下代码，在本地获取 "resnet34.pt"权重文件，应用于后续实验；

from torchvision.models import resnet34
import torch.nn.functional as F
import torch.nn as nn
import torch
import cv2

#读取一张图片，并转换成[1,3,224,224]的float张量并归一化
image = cv2.imread("dog.jpg")
image = cv2.resize(image,(224,224))
input_tensor = torch.tensor(image).permute(2,0,1).unsqueeze(0).float()/225.0

#定义并加载resnet34模型在imagenet预训练的权重
model = resnet34(pretrained=True)
model.eval()
#查看模型预测该付图的结果
output = model(input_tensor)
output = F.softmax(output,1)
print("模型预测结果为第{}类，置信度为{}".format(torch.argmax(output),output.max()))

#生成pt模型，按照官网来即可
model=model.to(torch.device("cpu"))
model.eval()
var=torch.ones((1,3,224,224))
traced_script_module = torch.jit.trace(model, var)
traced_script_module.save("resnet34.pt")

第三部分：VS中libtorch配置
（1）VS中Opencv配置可参考博客
（2）打开VS2019->新建空白c++项目->右键新建项 “main.cpp”；同时，在项目的管理器中设置项目的编译为Release，平台选择x64；
（3）项目右键属性，配置 “VC++目录” 和 “链接器”
①在配置"VC++目录"中：
– 选择包含目录：添加libtorch文件路径：“D:\vs_config\libtorch_release\include” 和 “D:\vs_config\libtorch_release\include\torch\csrc\api\include”；
– 选择库目录：添加libtorch文件路径 “D:\vs_config\libtorch_release\lib”；
②配置链接器，“链接器->输入->附加依赖项”：
将libtorch路径 “D:\vs_config\libtorch_release\lib” 下的 “.lib” 文件都加入 “附加依赖项”；


（4）动态链接库dll文件放置
将libtorch路径 “D:\vs_config\libtorch_release\lib” 下的 “.dll” 文件直接复制到VS2019项目的执行目录中；
另外，也可以直接libtorch中的lib文件夹路径添加到path环境变量中；


（5）测试
测试代码如下：

#include<opencv2/opencv.hpp>
#include <torch/torch.h>
#include <torch/script.h> 

int main()
{
	//定义使用cuda
	//auto device = torch::Device(torch::kCUDA, 0);
	auto device = torch::Device(torch::kCPU);
	//读取图片
	auto image = cv::imread("E:/C++_workplace/libtorch_epx/demo/dog.jpg");
	//缩放至指定大小
	cv::resize(image, image, cv::Size(224, 224));
	//转成张量
	auto input_tensor = torch::from_blob(image.data, { image.rows, image.cols, 3 }, torch::kByte).permute({ 2, 0, 1 }).unsqueeze(0).to(torch::kFloat32) / 225.0;
	//加载模型
	auto model = torch::jit::load("E:/C++_workplace/libtorch_epx/demo/resnet34.pt");
	model.to(device);
	model.eval();
	//前向传播
	auto output = model.forward({ input_tensor.to(device) }).toTensor();
	output = torch::softmax(output, 1);
	std::cout << "模型预测结果为第" << torch::argmax(output) << "类，置信度为" << output.max() << std::endl;
	return 0;
}

测试结果：

本文主要参考博客
欢迎指正！