opencv调用tf训练好的模型
tensorflow训练好的模型，如何使用？在tensorflow上使用，当然很好实现啊。但是在实际生产部署时，主机要求不安装tf，也没有显卡，何解？本博文对此做一个记录。
一、opencv dnn模块
1、OpenCV 3.3版本发布，对深度学习（dnn模块）提供了更好的支持，dnn模块目前支持Caffe、TensorFlow、Torch、PyTorch等深度学习框架。
2、OpenCV的dnn模块调用TesorFlow训练的MoblieNet模型
3、关于opencv的版本，最好是3.4.0及以上吧。
4、opencv调用tf模型文档
二、使用步骤
1、tf训练模型，并保存成.pb文件
2、使用opencv的readNetFromTensorflow函数加载.pb文件
3、帖几行关键性代码
String weights = "nn.pb";
dnn::Net net = cv::dnn::readNetFromTensorflow(weights);
Mat img = imread(files[i], 1);
Mat inputBlob = dnn::blobFromImage(img, 0.00390625f, Size(256, 256), Scalar(), false,false);
net.setInput(inputBlob, "data");//set the network input, "data" is the name of the input layer
Mat pred = net.forward("fc2/prob");4、dnn::blobFromImage函数解读（这个很重要，参数不对，直接影响预测结果）
opencv中的函数声明
CV_EXPORTS_W Mat blobFromImage(InputArray image, double scalefactor=1.0, const Size& size = Size(),
const Scalar& mean = Scalar(), bool swapRB=true, bool crop=true); /** @brief Creates 4-dimensional blob from image. Optionally resizes and crops @p image from center,
* subtract @p mean values, scales values by @p scalefactor, swap Blue and Red channels.
* @param image input image (with 1-, 3- or 4-channels).
* @param size spatial size for output image
* @param mean scalar with mean values which are subtracted from channels. Values are intended
* to be in (mean-R, mean-G, mean-B) order if @p image has BGR ordering and @p swapRB is true.
* @param scalefactor multiplier for @p image values.
* @param swapRB flag which indicates that swap first and last channels
* in 3-channel image is necessary.
* @param crop flag which indicates whether image will be cropped after resize or not
* @details if @p crop is true, input image is resized so one side after resize is equal to corresponding
* dimension in @p size and another one is equal or larger. Then, crop from the center is performed.
* If @p crop is false, direct resize without cropping and preserving aspect ratio is performed.
* @returns 4-dimansional Mat with NCHW dimensions order.
*/第一个参数，InputArray image，表示输入的图像，可以是opencv的mat数据类型。
第二个参数，scalefactor，这个参数很重要的，如果训练时，是归一化到0-1之间，那么这个参数就应该为0.00390625f （1/256），否则为1.0
第三个参数，size，应该与训练时的输入图像尺寸保持一致。
第四个参数，mean，这个主要在caffe中用到，caffe中经常会用到训练数据的均值。tf中貌似没有用到均值文件。
第五个参数，swapRB，是否交换图像第1个通道和最后一个通道的顺序。
第六个参数，crop，如果为true，就是裁剪图像，如果为false，就是等比例放缩图像。
三、其他注意事项
1、注意输入和输出name的对应。下面是c++的代码，tf中的输入就应该name为data，输出就应该name为fc2/prob
net.setInput(inputBlob, "data");
pred = net.forward("fc2/prob");