利用Pytorch的C++前端(libtorch)读取预训练权重并进行预测
前言
对于我们来说，之后如果想要部署深度学习应用的时候，只需要在Python端利用Pytorch进行训练，然后使用torch.jit导出我们训练好的模型，再利用C++端的Pytorch读取进行预测即可，当然C++端的Pytorch也是可以进行训练的。
因为我们使用的C++版的Pytorch实际上为编译好的动态链接库和头文件，官方提供已经编译好的下载包
之后我们将其称之为libtorch，官方对此有个简单的小教程：https://pytorch.org/tutorials/advanced/cpp_export.html
通过这个小教程我们可以了解到这个库的基本用法。
下图是利用Libtorch + OpenCV-4.0.0在GPU端进行的预测(简单识别手势)，所使用的语言为C++，相较python版本的预测速度提升10%。
好了，废话不多少，接下来聊聊如何使用它吧~
正式开始
Pytorch-1.0已经发布两个月了，为什么今天才进行尝试呢——原因很简单，个人比较担心其接口的不稳定性，故稍微多等乐些时间再进行尝试。虽然多等了，但是资料依然很是匮乏，官方的相关教程少之可怜，唯一参考信息的获取只有少数的博客和github上的issue了。
但是有一点好消息，相比于之前，现在尝试libtorch已经几乎没什么问题了，各方面都已经完善，如果大家对libtorch感兴趣，那么这篇文章就比较适合你啦~
这样下来，libtorch的接口已经基本稳定，剩下的就让我们感觉尝尝鲜吧。
获取libtorch
获取libtorch的方式有两种：
- 从官网下载最新的编译好的文件：https://pytorch.org/cppdocs/installing.html
- 自己进行源码编译
我这里推荐第二种，因为官方编译好的版本为了兼容性，选择了旧式的C++-ABI(相关链接：https://github.com/pytorch/pytorch/issues/13541 ; https://discuss.pytorch.org/t/issues-linking-with-libtorch-c-11-abi/29510)，如果你使用的gcc版本>5，那么如果你将libtorch与其他编译好的库(使用gcc-5以及以上)进行联合编译，很有可能出现冲突，为了避免环境上面的问题，建议自己对源码进行编译。当然大家也可以测试下官方的
当然还有一点需要说明，如果你仅仅只单独使用libtorch库(从官方下载，并没有链接其他库，例如opencv)，那么你这样编译那么是没有任何问题的。大家可以直接下载官方编译好的包进行快速尝试。
源码编译
源码编译的前提步骤可以参考官方教程：https://github.com/pytorch/pytorch 和 Pytorch-0.4.1-cuda9.1-linux源码安装指南。
安装好所有的依赖件后，我们下载好官方的源码，然后进入Pytorch源码目录环境执行：
git submodule update –init –recursive # 执行更新第三方库，确保安装成功 mkdir build cd build python ../tools/build_libtorch.py
有个ISSUE提到必须将源码目录中tools/build_pytorch_libs.sh第127行左右添加一句(-D_GLIBCXX_USE_CXX11_ABI=1)再进行编译:
THIRD_PARTY_DIR=”$BASE_DIR/third_party”
C_FLAGS=”” # 添加上 -D_GLIBCXX_USE_CXX11_ABI=1. # Workaround OpenMPI build failure # ImportError: /build/pytorch-0.2.0/.pybuild/pythonX.Y_3.6/build/torch/_C.cpython-36m-x86_64-linux-gnu.so: undefined symbol: _ZN3MPI8Datatype4FreeEv # https://bugs.debian.org/cgi-bin/bugreport.cgi?bug=686926 C_FLAGS=”${C_FLAGS} -DOMPI_SKIP_MPICXX=1” LDFLAGS=””
这个其实并不需要，我们直接编译即可。
这一部其实类似于Pytorch的源码编译，至于其中的细节(cuda、cudnn版本)这里不进行赘述了，大家可以查阅本站相关内页或者根据网上教程来进行安装：
相关内容：
CUDA,CUDNN工具箱多版本安装、多版本切换
如果编译无错之后我们会看到输出信息：
– Install configuration: “Release” – Set runtime path of “/home/prototype/Downloads/pytorch/torch/lib/tmp_install/lib/libmkldnn.so.0.14.0” to “$ORIGIN:/home/prototype/anaconda3/envs/fastai/lib” – Set runtime path of “/home/prototype/Downloads/pytorch/torch/lib/tmp_install/lib/libc10.so” to “$ORIGIN” – Set runtime path of “/home/prototype/Downloads/pytorch/torch/lib/tmp_install/lib/libc10_cuda.so” to “$ORIGIN” – Set runtime path of “/home/prototype/Downloads/pytorch/torch/lib/tmp_install/lib/libcaffe2.so” to “$ORIGIN:/usr/lib/openmpi/lib:/usr/local/cuda/lib64:/home/prototype/anaconda3/envs/fastai/lib” – Set runtime path of “/home/prototype/Downloads/pytorch/torch/lib/tmp_install/lib/libcaffe2_gpu.so” to “$ORIGIN:/usr/local/cuda/lib64:/home/prototype/anaconda3/envs/fastai/lib:/usr/lib/openmpi/lib” – Set runtime path of “/home/prototype/Downloads/pytorch/torch/lib/tmp_install/lib/libtorch.so.1” to “$ORIGIN:/usr/local/cuda/lib64:/home/prototype/anaconda3/envs/fastai/lib” – Set runtime path of “/home/prototype/Downloads/pytorch/torch/lib/tmp_install/lib/libcaffe2_module_test_dynamic.so” to “$ORIGIN:/home/prototype/anaconda3/envs/fastai/lib”
编译好之后的libtorch在path/to/pytorch/torch/lib/中，但要注意，实际我们在cmake中添加查找lib位置的路径为/pytorch/torch/share/cmake。
我们之后在cmake时需要添加-DCMAKE_PREFIX_PATH=/path/to/pytorch/torch/lib/tmp_install引入libtorch路径。
注意：在最新版的Pytorch-1.0.1中(经测试也适合1.0-1.3)，默认libtorch编译好的文件路径有所改变，我们应该这样添加 -DCMAKE_PREFIX_PATH=path/to/pytorch/torch/share/cmake
不懂什么是Cmake的可以看这里：编译器gcc、clang、make、cmake辨析
简单测试libtorch是否正常工作
这里进行一个简单的测试，测试我们导出的模型在python端和C++端是否一致，其中model的输入为(n,3,224,224)的tensor，输出为(3)的tensor，预测三个类别，首先我们在python端导出这个模型权重：
import torch from Models.MobileNetv2 import mobilenetv2
model = mobildnetv2(pretrained) example = torch.rand(1, 3, 224, 224).cuda() # 注意，我这里导出的是CUDA版的模型，因为我的模型是在GPU中进行训练的 model = model.eval()
traced_script_module = torch.jit.trace(model, example) output = traced_script_module(torch.ones(1,3,224,224).cuda()) traced_script_module.save(‘mobilenetv2-trace.pt’) print(output)
此时打印出输出结果：
tensor([[ -1.2374, -96.6268, 19.2590]], device='cuda:0',
grad_fn=<AddBackward0>)
上述导出的’mobilenetv2-trace.pt‘的链接：https://pan.baidu.com/s/1neHRHypYq9vbGDlY1WwfJw 提取码：sym8
然后，我们下载官方或者自己编译好libtorch，并且知道其所在的地址:path/to/libtorch（这只是例子，具体地址每个人不同）。然后编写我们的CmakeLists文件，其中find_package作用为根据我们提供的地址，去寻找libtorch的TorchConfig.cmake从而将整个libtorch库添加到我们的整体文件中：
cmake_minimum_required(VERSION 3.0.0 FATAL_ERROR) project(simnet)
find_package(Torch REQUIRED)
message(STATUS “Pytorch status:”) message(STATUS “ libraries: ${TORCH_LIBRARIES}”)
add_executable(simnet test.cpp) target_link_libraries(simnet ${TORCH_LIBRARIES}) set_property(TARGET simnet PROPERTY CXX_STANDARD 11)
然后编写我们的C++端的Pytorch，简单读取权重信息然后创建一个tensor输入权重模型再打印出结果：
#include “torch/script.h” #include “torch/torch.h”
#include
using namespace std;
int main(int argc, const char* argv[])
{
if (argc != 2) {
std::cerr « “usage: example-app
// 读取我们的权重信息
// 如果是1.1版本及以下: std::shared_ptr<torch::jit::script::Module> module = torch::jit::load(argv\[1\]);
// 如果是1.2版本及以上:
torch::jit::script::Module module;
try {
module = torch::jit::load(argv\[1\]);
}
catch (const c10::Error& e) {
std::cerr << "error loading the model\\n";
return -1;
}
module->to(at::kCUDA);
assert(module != nullptr);
std::cout << "ok\\n";
// 建立一个输入，维度为(1,3,224,224)，并移动至cuda
std::vector<torch::jit::IValue> inputs;
inputs.push_back(torch::ones({1, 3, 224, 224}).to(at::kCUDA));
// Execute the model and turn its output into a tensor. at::Tensor output = module->forward(inputs).toTensor();
std::cout << output.slice(/\*dim=\*/1, /\*start=\*/0, /\*end=\*/5) << '\\n'; }
我们编译此代码然后读取之前导出的模型，可以发现此时输出：
ok
-1.2374 -96.6271 19.2592
[ Variable[CUDAFloatType]{1,3} ]
通过与之前tensor([[ -1.2374, -96.6268, 19.2590]], device='cuda:0',grad_fn=<AddBackward0>)进行对比，发现在小数点第三位出略有差别，但总体来说差别不是很大。
注意，两次读取都是在GPU中进行的，我们需要注意下，利用CPU和利用GPU训练的模型是不同的，如果导出使用GPU训练的模型(利用model.cpu()将模型移动到CPU中导出)然后使用CPU去读取，结果并不正确，必须保证导出和读取的设备一致。
如果使用的libtorch和导出的模型版本不匹配(这个错误经常出现于我们编译libtorch的版本和导出模型的Pytorch版本不同)则会出现这个错误(这个问题可能会在API稳定后解决)：
(simnet:7105): GStreamer-CRITICAL **: gst_element_get_state: assertion ‘GST_IS_ELEMENT (element)’ failed
terminate called after throwing an instance of ‘c10::Error’
what(): memcmp(“PYTORCH1”, buf, kMagicValueLength) != 0 ASSERT FAILED at /home/prototype/Downloads/pytorch/caffe2/serialize/inline_container.cc:75, please report a bug to PyTorch. File is an unsupported archive format from the preview release. (PyTorchStreamReader at /home/prototype/Downloads/pytorch/caffe2/serialize/inline_container.cc:75)
frame #0: c10::Error::Error(c10::SourceLocation, std::__cxx11::basic_string<char, std::char_traits
利用OpenCV读取图像传递给libtorch进行预测
这样，我们已经初步使用了libtorch进行了测试，但是实际上我们需要图像库来读取图像或者视频，然后将其转化为Tensor再输入模型进行预测，这时我们就需要将libtorch与其他的库进行联合编译。
这里我们将OpenCV和libtorch一起编译，实现通过OpenCV开启摄像头将帧转化为tensor进行实时的预测，并判断当前的手势。
编译OpenCV
这里我们仍然推荐在当前的环境下(cmake、make、gcc版本确定情况下)编译自己的OpenCV，如果自己之前已经编译好可以跳过这一步。
至于如何编译OpenCV，可以看这里：Ubuntu下源码安装Opencv完全指南
与OpenCV联合编译
自己环境中存在OpenCV的前提下，同样使用Cmake的find_package命令可以找到，为此，我们修改CmakeLists文件为：
cmake_minimum_required(VERSION 3.12 FATAL_ERROR) project(simnet)
find_package(Torch REQUIRED) # 查找libtorch find_package(OpenCV REQUIRED) # 查找OpenCV
if(NOT Torch_FOUND) message(FATAL_ERROR “Pytorch Not Found!”) endif(NOT Torch_FOUND)
message(STATUS “Pytorch status:”) message(STATUS “ libraries: ${TORCH_LIBRARIES}”)
message(STATUS “OpenCV library status:”) message(STATUS “ version: ${OpenCV_VERSION}”) message(STATUS “ libraries: ${OpenCV_LIBS}”) message(STATUS “ include path: ${OpenCV_INCLUDE_DIRS}”)
add_executable(simnet test.cpp) target_link_libraries(simnet ${TORCH_LIBRARIES} ${OpenCV_LIBS}) set_property(TARGET simnet PROPERTY CXX_STANDARD 11)
在Cmake配置后如果正确找到后会显示以下的信息：
-- Caffe2: CUDA detected: 9.2
-- Caffe2: CUDA nvcc is: /usr/local/cuda/bin/nvcc
-- Caffe2: CUDA toolkit directory: /usr/local/cuda
-- Caffe2: Header version is: 9.2
-- Found cuDNN: v7.4.1 (include: /usr/local/cuda/include, library: /usr/local/cuda/lib64/libcudnn.so)
-- Autodetected CUDA architecture(s): 6.1;6.1
-- Added CUDA NVCC flags for: -gencode;arch=compute_61,code=sm_61
-- Pytorch status:
-- libraries: torch;caffe2_library;caffe2_gpu_library;/usr/lib/x86_64-linux-gnu/libcuda.so;/usr/local/cuda/lib64/libnvrtc.so;/usr/local/cuda/lib64/libnvToolsExt.so;/usr/local/cuda/lib64/libcudart_static.a;-lpthread;dl;/usr/lib/x86_64-linux-gnu/librt.so
-- OpenCV library status:
-- version: 4.0.0
-- libraries: opencv_calib3d;opencv_core;opencv_dnn;opencv_features2d;opencv_flann;opencv_gapi;opencv_highgui;opencv_imgcodecs;opencv_imgproc;opencv_ml;opencv_objdetect;opencv_photo;opencv_stitching;opencv_video;opencv_videoio
-- include path: /usr/local/include/opencv4
-- Configuring done
-- Generating done
-- Build files have been written to: /home/prototype/CLionProjects/simnet/cmake-build-release
然后我们的C++代码为：
#include <opencv2/opencv.hpp> #include “torch/script.h” #include “torch/torch.h”
#include
using namespace std;
// resize并保持图像比例不变
cv::Mat resize_with_ratio(cv::Mat& img)
{
cv::Mat temImage;
int w = img.cols;
int h = img.rows;
float t = 1.;
float len = t * std::max(w, h);
int dst_w = 224, dst_h = 224;
cv::Mat image = cv::Mat(cv::Size(dst_w, dst_h), CV_8UC3, cv::Scalar(128,128,128));
cv::Mat imageROI;
if(len==w)
{
float ratio = (float)h/(float)w;
cv::resize(img,temImage,cv::Size(224,224*ratio),0,0,cv::INTER_LINEAR);
imageROI = image(cv::Rect(0, ((dst_h-224*ratio)/2), temImage.cols, temImage.rows));
temImage.copyTo(imageROI);
}
else
{
float ratio = (float)w/(float)h;
cv::resize(img,temImage,cv::Size(224*ratio,224),0,0,cv::INTER_LINEAR);
imageROI = image(cv::Rect(((dst_w-224*ratio)/2), 0, temImage.cols, temImage.rows));
temImage.copyTo(imageROI);
}
return image; }
int main(int argc, const char* argv[])
{
if (argc != 2) {
std::cerr « “usage: example-app
cv::VideoCapture stream(0);
cv::namedWindow("Gesture Detect", cv::WINDOW_AUTOSIZE);
std::shared_ptr<torch::jit::script::Module> module = torch::jit::load(argv\[1\]);
module->to(at::kCUDA);
cv::Mat frame;
cv::Mat image;
cv::Mat input;
while(1)
{
stream>>frame;
image = resize\_with\_ratio(frame);
imshow("resized image",image); //显示摄像头的数据
cv::cvtColor(image, input, cv::COLOR_BGR2RGB);
// 下方的代码即将图像转化为Tensor，随后导入模型进行预测
torch::Tensor tensor_image = torch::from_blob(input.data, {1,input.rows, input.cols,3}, torch::kByte);
tensor_image = tensor_image.permute({0,3,1,2});
tensor_image = tensor_image.toType(torch::kFloat);
tensor_image = tensor_image.div(255);
tensor_image = tensor_image.to(torch::kCUDA);
torch::Tensor result = module->forward({tensor_image}).toTensor();
auto max_result = result.max(1, true);
auto max_index = std::get<1>(max_result).item<float>();
if(max_index == 0)
cv::putText(frame, "paper", {40, 50}, cv::FONT\_HERSHEY\_PLAIN, 2.0, cv::Scalar(0, 255, 0), 2);
else if(max_index == 1)
cv::putText(frame, "scissors", {40, 50}, cv::FONT\_HERSHEY\_PLAIN, 2.0, cv::Scalar(0, 255, 0), 2);
else
cv::putText(frame, "stone", {40, 50}, cv::FONT\_HERSHEY\_PLAIN, 2.0, cv::Scalar(0, 255, 0), 2);
imshow("Gesture Detect",frame); //显示摄像头的数据
cv::waitKey(30);
}
然后在cmake时添加-DCMAKE_PREFIX_PATH=/path/to/pytorch/torch/lib/tmp_install引入libtorch路径。
这样我们的程序就可以运行了~
关于这个libtorch-C++的API的具体讲解，因为篇幅原因没有详细写出来，会在之后的文章中进行说明。
遇到的问题
上述的编译中可能会出现这个问题，或者其他出现一大堆命名定义但显示未定义的函数：
error: undefined reference to `cv::imread(std::string const&, int)’
如果你的OpenCV在单独编译使用时没有错误，但是一块编译就出现问题，那么这代表我们的libtorch库和OpenCV库冲突了，冲突原因可能是OpenCV编译OpenCV的C++-ABI版本和libtorch中的不同，所以建议OpenCV最好和libtorch在同样的环境下编译。
当然还有有很多奇奇怪怪的原因，Pytorch中目前对C++的文档并不是很详细，也比较稀缺，但是可以在Pytorch论坛和github项目中查找相关问题或者提问。
Pytorch的C++端已经接近成熟，C++的预测相比Python端会稍微快一些，也减轻了安装Pytorch包的负担，未来等C++的APi稳定之后，我们可以直接利用torch.jit导出我们训练好的模型，在部署设备上，只需要一个lib库就可以利用GPU进行预测，这样生产效率会将会大大提高。
参考链接
https://blog.csdn.net/u012816621/article/details/51732932
https://michhar.github.io/how-i-built-pytorch-gpu/
https://github.com/tobiascz/MNIST_Pytorch_python_and_capi/blob/master/example-app.cpp
https://github.com/pytorch/pytorch/issues/14620
https://github.com/pytorch/pytorch/issues/14330
https://github.com/pytorch/pytorch/issues/12506
https://github.com/pytorch/pytorch/issues/13245#issuecomment-435165566
https://github.com/pytorch/pytorch/issues/13898#issuecomment-438657077
