深度学习模型在C++平台的部署

一、概述

  深度学习模型能够在各种生产场景中发挥重要的作用，而深度学习模型往往在Python环境下完成训练，因而训练好的模型如何在生产环境下实现稳定可靠的部署，便是一个重要内容。C++开发平台广泛存在于各种复杂的生产环境，随着业务效能需求的不断提高，充分运用深度学习技术的优势显得尤为重要。本文介绍如何实现将深度学习模型部署在C++平台上。
二、步骤

  s1. Python环境中安装深度学习框架（如PyTorch、TensorFlow等）；
  s2. P        ython环境中设计并训练深度学习模型；
  s3. 将训练好的模型保存为.onnx格式的模型文件；
  s4. C++环境中安装Microsoft.ML.OnnxRuntime程序包；
  （Visual Studio 2022中可通过项目->管理NuGet程序包完成快捷安装）
  s5. C++环境中加载模型文件，完成功能开发。
三、示例

  在Python环境下设计并训练一个关于手写数字识别的卷积神经网络（CNN）模型，将模型导出为ONNX格式的文件，然后在C++环境下完成对模型的部署和推理。
1. Python训练和导出

1. import torch
2. import torch.nn as nn
3. import torch.optim as optim
4. from torchvision import datasets, transforms
5. from torch.functional import F
7. # 定义简单的CNN模型
8. class SimpleCNN(nn.Module):
9.     def __init__(self):
10.         super(SimpleCNN, self).__init__()
11.         self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=1, padding=1)
12.         self.pool = nn.MaxPool2d(2, 2)
13.         self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=1, padding=1)
14.         self.fc1 = nn.Linear(32 * 7 * 7, 128)
15.         self.fc2 = nn.Linear(128, 10)
17.     def forward(self, x):
18.         x = self.pool(F.relu(self.conv1(x)))
19.         x = self.pool(F.relu(self.conv2(x)))
20.         x = x.view(-1, 32 * 7 * 7)
21.         x = F.relu(self.fc1(x))
22.         x = self.fc2(x)
23.         return x
25. # 数据预处理
26. transform = transforms.Compose([
27.     transforms.ToTensor(),
28.     transforms.Normalize((0.1307,), (0.3081,))
29. ])
31. # 加载训练数据
32. train_dataset = datasets.MNIST('data', train=True, download=True, transform=transform)
33. train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=64, shuffle=True)
35. # 初始化模型、损失函数和优化器
36. model = SimpleCNN()
37. criterion = nn.CrossEntropyLoss()
38. optimizer = optim.Adam(model.parameters(), lr=0.001)
40. # 训练模型
41. def train(model, train_loader, criterion, optimizer, epochs=5):
42.     model.train()
43.     for epoch in range(epochs):
44.         running_loss = 0.0
45.         for batch_idx, (data, target) in enumerate(train_loader):
46.             optimizer.zero_grad()
47.             output = model(data)
48.             loss = criterion(output, target)
49.             loss.backward()
50.             optimizer.step()
51.             running_loss += loss.item()
52.         print(f'Epoch {epoch+1}, Loss: {running_loss/len(train_loader)}')
54. # 训练模型
55. train(model, train_loader, criterion, optimizer)
57. # 导出为ONNX格式
58. dummy_input = torch.randn(1, 1, 28, 28)
59. torch.onnx.export(
60.     model,
61.     dummy_input,
62.     "mnist_model.onnx",
63.     export_params=True,
64.     opset_version=11,
65.     do_constant_folding=True,
66.     input_names=['input'],
67.     output_names=['output'],
68.     dynamic_axes={'input': {0: 'batch_size'}, 'output': {0: 'batch_size'}}
69. )
71. print("模型已成功导出为mnist_model.onnx")

复制代码

2. C++ 部署和推理

[code]#include #include #include #include int main() {    // 初始化环境    Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "MNIST");    Ort::SessionOptions session_options;    session_options.SetIntraOpNumThreads(1);    session_options.SetGraphOptimizationLevel(GraphOptimizationLevel::ORT_ENABLE_ALL);    // 加载模型    std::wstring model_path = L"mnist_model.onnx";    Ort::Session session(env, model_path.c_str(), session_options);    // 准备输入    std::vector input_shape = { 1, 1, 28, 28 };    size_t input_tensor_size = 28 * 28;    std::vector input_tensor_values(input_tensor_size);        // 读取测试图片    cv::Mat test_image = cv::imread("test.jpg", cv::IMREAD_GRAYSCALE);             // 将Mat数据复制到vector中    for (int i = 0; i < test_image.rows; ++i) {        for (int j = 0; j < test_image.cols; ++j) {            input_tensor_values[i * test_image.cols + j] = static_cast(test_image.at(i, j)); // 注意：uchar是unsigned char的缩写，表示无符号字符，通常用于存储灰度值        }    }     // 创建输入张量    auto memory_info = Ort::MemoryInfo::CreateCpu(OrtArenaAllocator, OrtMemTypeDefault);    Ort::Value input_tensor = Ort::Value::CreateTensor(        memory_info, input_tensor_values.data(), input_tensor_size, input_shape.data(), 4);    // 设置输入输出名称    std::vector input_names;    std::vector output_names;    input_names.push_back(session.GetInputNameAllocated(0, Ort::AllocatorWithDefaultOptions()).get());    output_names.push_back(session.GetOutputNameAllocated(0, Ort::AllocatorWithDefaultOptions()).get());    // 运行推理    auto output_tensors = session.Run(        Ort::RunOptions{ nullptr },        input_names.data(),        &input_tensor,        1,        output_names.data(),        1);    // 获取输出结果    float* output = output_tensors[0].GetTensorMutableData();    std::vector results(output, output + 10);    // 找到预测的数字    int predicted_digit = 0;    float max_probability = results[0];    for (int i = 1; i < 10; i++) {        if (results > max_probability) {            max_probability = results;            predicted_digit = i;        }    }    std::cout