c++下调用tensorflow预训练好的模型（pb模型文件导出，c++调用tf模型）

本人新手小白，由于项目需求，要通过c#winform平台调用python预先训练好的模型，整体流程差不多是通过 c#调用c++的写好的dll，在dll里进行c++调用tf模型的操作。 网上搜到大部分的都是linux上的bazel教程，在windows上还是有些区别的，所以想自己记录一下实现过程。有任何错误可以交流哈hhh

通过查看众多网上的方法，现阶段大概实现了两个方法：

1.c++调用写好的python脚本（调用tf的pb模型，并对结果做一些处理措施）
2.cmake编译tf源码，c++调用tf模型并实现离线预测（bazel 的编译方法也试过，会提一下so文件的）

现在我已完成了第一种的整体流程实现，但是在迁移过程中发现，项目客户仍需要安装python，所以我决定开始尝试第二种方法 第二种方法也ok了。

安装环境以及软件配置：windows
python 3.6.8
vs 2015
tensorflow 1.8.0
Cmake3.15.0 （cmake-gui）

PB模型文件

使用tensorflow训练模型时，为了防止训练途中出现意外情况而导致的训练作废，一般都会通过saver.save(session,"save_dir")将阶段性训练结果保存下来。
这样会生成4个文件

• checkpoint
• .data-00000-of-00001
• .index
• .meta

这个四个文件分别存储了网络模型的网络结构，网络节点名称和节点内的权重参数等，四个文件加起来体积过大，而且如果用c++调用的话肯定是单个模型文件更为方便。pb模型文件常用于网络的离线预测，它的网络结构比meta简单的多了。

PB模型文件导出

网上比较经典的办法是通过tensorflow源码中的freeze_graph.py文件来导出pb模型，我是将pb模型导出的代码写在了，原有的测试调用模型的代码的下面。
压缩过后的模型从200多MB缩小到了56MB。

        # 导出成pb模型 *********************************************************
        try:
            out_pb_path = os.path.join(self.cfgs['save_dir'], 'models/origin.pb') #输出pb模型存储路径
            graph = tf.get_default_graph()  # 获得默认的图
            input_graph_def = graph.as_graph_def()  # 返回一个序列化的图代表当前的图
            # for op in graph.get_operations():
            #     print(op.name, op.values())#用来查看原图所有节点名称

            output_graph_def = graph_util.convert_variables_to_constants(  # 模型持久化，将变量值固定
                sess=session,
                input_graph_def=input_graph_def,
                #output_node_names=['Conv2D', 'side_3/conv2d_transpose', 'side_4/conv2d_transpose', 'side_5/conv2d_transpose'])  
                # 我的模型为一个融合输出层，和3个侧输出层，分别对应以上节点名称
            with tf.gfile.GFile(out_pb_path, "wb") as f:  # 保存模型
                f.write(output_graph_def.SerializeToString())  # 序列化输出
            print("%d ops in the final graph." % len(output_graph_def.node))  # 得到当前图有几个操作节点
        except Exception as err:
            self.io.print_error('Error transforming, {}'.format(err))
            self.init = False
      

查找输入输出节点名称

这个导出最关键的是找到输入输出的节点名称，大佬们可能在之前网络模型训练过程中，心中有数，作为萌新，找节点还是比较费劲的事，技术性（写代码输出节点？）的方法我不会，所以介绍一下我的方法。

这里推荐一个软件 Netron,目前它支持主流各种框架的模型结构可视化工作。
给一下GitHub链接：https://github.com/lutzroeder/Netron

我当时是用这个软件配合将原图的所有节点名称输出，找和side3这种层次名相关的节点名称，配合原有网络结构的输出层名称（譬如反卷积层输出的那就肯定带deconv这种）试出来的。
那是两天眼快瞎了的日子。。。。因为meta的模型文件实在太乱了。

调用pb模型文件的代码放在下面c++调用python脚本中一起。

c++接口调用python脚本

这个博客中介绍的挺详细的C++调用python

配置环境

c++调用python需要在项目配置中加入python的头文件
右键项目>属性>配置属性>VC++目录，需要配置的是库目录和包含目录

包含目录：D:\soft\Python\Python36\include 包含的是python.h的头文件
库目录：D:\soft\Python\Python36\libs  用来连接lib文件的路径

还需要在右键项目 > 属性 > 配置属性 > 链接器 > 输入>附加依赖项里加

python36.lib;python3.lib;_tkinter.lib;

用Debug调试的话可能会有以下的问题

LINK : fatal error LNK1104: 无法打开文件“python36_d.lib”

解决办法：

1. 换成Release-x64
2. 把python36.lib重命名成python36_d.lib

.h文件

#pragma once

#include<iostream>
#include <Python.h>
#include<windows.h>
using namespace std;

extern "C" __declspec(dllexport) void testImage(char *);
extern "C" __declspec(dllexport) void test(char *);

这个是我用于生成dll项目的头文件，所以我把功能都封装成函数了。

调用脚本

Cmake编译tensorflow c++ API

我参考的是这个博客
windows10+vs2015下编译GPU版本tensorflow得到lib和dll（附带C++ inference示例）
这个博客里包括了如何配置c++工程，步骤挺全了。
下面是我的cmake配置文件截图。

c++ tf的API联合opencv进行图片的模型预测

其中需要注意的是Mat的imread读进来的图片是BGR格式的图片，所以在使用它的RGB三通道的时候要进行一下转换。

Tensorflow C++的Tensor和OpenCV的Mat相互转换这个博客中写道的Tensor和Mat相互转换的函数

这里放一下源代码

	// 设置输入图像
	char* img_path = path1;
	//模型地址
	string model_path = "D://test.pb";
	Mat src = imread(img_path);//CV_8UC3   BGR
	int height = 512;
	int width = 512;

#pragma region 模型预测部分
	tensorflow::Tensor input_tensor(DT_FLOAT, TensorShape({ 1, height, width, 3 })); //输入张量										
	cvMat2tfTensor(src, input_tensor);	 //将输入Mat转换为tensor
	
	//建立会话
	
	//初始化tensorflow session
	Session* session;
	Status status = NewSession(SessionOptions(), &session);
	if (!status.ok()) {
		std::cerr << status.ToString() << endl;
		return;
	}
	else {
		cout << "Session created successfully" << endl;
	}
	// 读取二进制的模型文件到graph中
	GraphDef graph_def;
	status = ReadBinaryProto(Env::Default(), model_path, &graph_def);
	if (!status.ok()) {
		std::cerr << status.ToString() << endl;
		return;
	}
	else {
		cout << "Load graph protobuf successfully" << endl;
	}
	// 将graph加载到session
	status = session->Create(graph_def);
	if (!status.ok()) {
		std::cerr << status.ToString() << endl;
		return;
	}
	else {
		cout << "Add graph to session successfully" << endl;
	}
	
	//输出
	
	// 输入节点Placeholder
	std::vector<std::pair<std::string, tensorflow::Tensor>> inputs = { { "Placeholder",input_tensor } };
	// 输出outputs
	std::vector<tensorflow::Tensor> outputs;
	// 运行会话，计算输出，即我在模型中定义的输出数据名称，最终结果保存在outputs中
	status = session->Run(inputs, { "Conv2D","side_3/conv2d_transpose","side_4/conv2d_transpose","side_5/conv2d_transpose" }, {}, &outputs);
	if (!status.ok()) {
		std::cerr << status.ToString() << endl;
		return;
	}
	else {
		cout << "Run session successfully" << endl;
	}
	// 输出结果的可视化
	tensorflow::Tensor _fuse = outputs[0];
	tensorflow::Tensor _side3 = outputs[1];
	tensorflow::Tensor _side4 = outputs[2];
	tensorflow::Tensor _side5 = outputs[3];
	auto out_shape = _fuse.shape(); // 这里的输出结果为1x512x512x1
	cout << out_shape << endl;

	//将输出tensor转换为Mat
	Mat fuse, side3, side4, side5;

	//融合层
	tfTensor2cvMat(_fuse, fuse);
	imwrite("D://fuse.jpg", fuse);
	//side3
	tfTensor2cvMat(_side3, side3);
	imwrite("D://side3.jpg", side3);
	//side4
	tfTensor2cvMat(_side4, side4);
	imwrite("d://side4.jpg", side4);
	//side5
	tfTensor2cvMat(_side5, side5);
	imwrite("D://side5.jpg", side5);
#pragma endregion

	//边缘图
	edge = imread("D://fuse.jpg");

整体流程已经跑通并且用c#平台调用，就是还有点小问题，相同的模型在c++调用下的效果比在python 下的差那么一点，就很奇怪。如果有大佬知道为什么欢迎给我留言！谢谢！
我太傻，我有罪，在图片转换格式的时候一定要注意原来网络中输入输出的tensor的属性，没对齐就会出现效果差异，后续将继续更新安卓端的相同功能，有兴趣的欢迎留言~！