使用libtorch调用EfficientNet模型（pt文件）

1.首先确定自己电脑上的pytorch版本，然后下载合适的libtorch版本。
使用libtorch调用c++接口，要保证下载的libtorch的版本和pytorch的版本对应

至少使用低版本的pytorch和高版本的libtorch是没法成功的。反过来是可以的：即高版本的pytorch和低版本的libtorch。

各个版本的libtorch下载参考地址

2.训练
训练的时候推荐只保存模型参数，我之前是保存整个模型但是一值转换不成功。
训练完后会保存一个xxx.pth文件，然后就可以转换这个文件了。

3.转换
需要将训练好的xxx.pth文件转换成xxx.pt文件。直接贴代码（每个人的需求不一样，根据自己的需求改）

from PIL import Image
import torch
from torchvision import transforms,models
import torch.nn as nn
from efficientnet_pytorch import EfficientNet
from torch.autograd import Variable

def Transfer_cup_model():
 	#这个代码使用的前提是需要在你的虚拟环境中下载好EfficientNet的包 （ pip install efficientnet_pytorch）
    model = EfficientNet.from_name('efficientnet-b5')
    model.set_swish(memory_efficient=False)
    num_ftrs = model._fc.in_features
    model._fc = nn.Linear(num_ftrs, 6)   #我训练的是6类，对应着自己的类别数改
    # model.load_state_dict(torch.load('Garbage/each_model/epoch_29.pth'))
   
    model.load_state_dict(
        {
     k.replace('module.', ''): v for k, v in torch.load('Garbage/each_model/epoch_29.pth').items()})

    model.eval()
    model.cpu()
    example = torch.randn(1, 3, 456, 456)
    with torch.no_grad():
        traced_script_module = torch.jit.trace(model, example)
        traced_script_module.save('model-cpu.pt')

def Transfer_GPU_model():
    model = EfficientNet.from_name('efficientnet-b5')
    model.set_swish(memory_efficient=False)
    num_ftrs = model._fc.in_features
    model._fc = nn.Linear(num_ftrs, 6)
    # model.load_state_dict(torch.load('Garbage/each_model/epoch_29.pth'))
    #我是用四个GPU并行训练的，需要加这一句，如果是单GPU可以用上面的一句
    model.load_state_dict(
        {
     k.replace('module.', ''): v for k, v in torch.load('Garbage/each_model/epoch_29.pth').items()})

    model.eval()
    # model = torch.load('Garbage/epoch_29.pth')
    # model = torch.nn.DataParallel(model).cuda()
    if torch.cuda.is_available():
        model.cuda()

    # 转libtorch
    example = torch.randn(1, 3, 456, 456).cuda()
    with torch.no_grad():
        traced_script_module = torch.jit.trace(model, example)
        traced_script_module.save('model-gpu.pt')

def Transfer_onnx_model():
    model = EfficientNet.from_name('efficientnet-b5')
    model.set_swish(memory_efficient=False)
    num_ftrs = model._fc.in_features
    model._fc = nn.Linear(num_ftrs, 6)
    # model.load_state_dict(torch.load('Garbage/each_model/epoch_29.pth'))
    model.load_state_dict(
        {
     k.replace('module.', ''): v for k, v in torch.load('Garbage/each_model/epoch_29.pth').items()})

    model.eval()
    # model = torch.load('Garbage/epoch_29.pth')
    # model = torch.nn.DataParallel(model).cuda()
    if torch.cuda.is_available():
        model.cuda()

    #转onnx
    dummy_input1 = torch.randn(1, 3, 456, 456).cuda()
    torch.onnx.export(model,dummy_input1,"Efficient.onnx",export_params=True, verbose=True, training=False)


def Transfer_type(Type):
    if Type == 0:
        Transfer_cup_model()   #cpu模型
    elif Type == 1:
        Transfer_GPU_model()   #Gpu模型
    elif Type == 2:
        Transfer_onnx_model()  #onnx模型(GPU)
    else:
        print("The model of this type cann't transfer")

def main():
    Transfer_type(1)

if __name__ == '__main__':
    main()

4.调用
网上由很多教程，写的很详细 参考。
其实就是调用下载好的libtorch库，跟调用opencv库一样，VS中包含目录、库目录、依赖项 添加好就行（不清楚添加libtorch的哪些包都，都添加进去也行）。
数据预处理和模型使用可以参考这篇博客： 数据预处理及模型使用