平武建站

C++调用tensorflow教程

目前深度学习越来越火，学习、使用tensorflow的相关工作者也越来越多。但是目前绝大部分的python都是拥有着丰富的python的API，而c++的API不够完善。这就导致绝大多是使用tensorflow的项目都是基于python。

创新互联专注于随县企业网站建设,响应式网站建设,成都商城网站开发。随县网站建设公司,为随县等地区提供建站服务。全流程按需制作网站，专业设计，全程项目跟踪，创新互联专业和态度为您提供的服务

如果项目是由c++编写，想调用python下的tensorflow？可参考本教程（tensorflow模型是CNN卷积神经网络）

具体步骤：

1.python环境

首先安装python，可以在Anaconda官网直接下载。记住python一定选择64bit，目前tensorflow不支持32位的python，这也是我之前被坑过的地方。下载Anaconda后直接

bash Anaconda3-4.3.1-Linux-x86_64.sh

就可以安装，然后

gedit ~/.bashrc

在最后面加上

export PATH=/<你的anaconda路径>/bin:$PATH

将python安装路径添加到系统路径中，这样在终端敲python后会运行安装的python3.6，如下图所示，代表安装成功：

C++调用tensorflow教程

2.tensorflow

直接终端输入：

pip install tensorflow

就会自动帮你安装到python下。
如果出现类似“没有找到匹配版本”（或者红色英文提示），那么你可能装的是python32bit版本，暂时不支持tensorflow！
安装成功后在终端如下操作：

C++调用tensorflow教程

显示tensorflow版本，表示安装成功！

3.C++Demo

一个简单的c++调取python+tensorflow的demo，按照实际需要可以依葫芦画瓢。

#include 
#include 
int main(int argc, char** argv)
{
  char* picpath ="/home/pdd/PD/c++/c++python/pic/0.0.jpg";
  Py_Initialize(); 
    if ( !Py_IsInitialized() ) { 
    return -1; 
    } 
    PyRun_SimpleString("import sys");
    PyRun_SimpleString("sys.path.append('./')");
  PyObject* pMod = NULL;
  PyObject* pFunc = NULL;
  PyObject* pParm = NULL;
  PyObject* pRetVal = NULL;
  int iRetVal = -999;
  char* modulName="classify";  //这个是被调用的py文件模块名字
  pMod = PyImport_ImportModule(modulName); 
  if(!pMod)
  {
    return -1;
  }
  char* funcName="evaluate"; //这是此py文件模块中被调用的函数名字
  pFunc = PyObject_GetAttrString(pMod, funcName); 
  if(!pFunc) 
  {  
    return -2; 
  } 
  pParm = PyTuple_New(1);
  PyTuple_SetItem(pParm, 0, Py_BuildValue("s",picpath));//传入的参数，是图片的路径
  pRetVal = PyEval_CallObject(pFunc, pParm);//这里开始执行py脚本
  PyArg_Parse(pRetVal, "i", &iRetVal);//py脚本返回值给iRetVal
  //PyErr_Print();
  std::cout<

4.tensorflow的python脚本

默认你已经写好tensorflow的python脚本，并能跑成功。（tensorflow的使用不是本文重点）
c++需要调用的就是这个classify.py里面的evaluate函数，传入图片路径，返回分类结果给c++程序。

from PIL import Image
import numpy as np
import tensorflow as tf
def evaluate(pic):
  image = Image.open(pic)
  image = image.resize([256, 256])
  image_array = np.array(image)
  with tf.Graph().as_default():
    里面就是对图像读取模型，预测，得到prediction……
      max_index = np.argmax(prediction)
      return max_index

5.c++调用python脚本的环境

这时候需要写一个简单的makefile加入需要的依赖环境。例如c++代码第一行的Python.h和相关的库文件。
简单的makefile如下：

main:c++python.cpp
  g++ -o out c++python.cpp -I/home/pdd/anaconda3/include/python3.6m -lpython3.6m -L /home/pdd/anaconda3/lib
clean:
  rm -rf *.o

-I后面的/home/pdd/anaconda3/include/python3.6m有需要的Python.h；-lpython3.6m链接到需要的libpython3.6m.so;-L指出链接的路径。

终端输入make。如果提示需要什么libpython3.6m..so,就把/home/pdd/anaconda3/lib下的libpython3.6m..so复制到/usr/lib/下（sudo cp ——–）

此时再次输入make，一切ok！得到out文件，输入./out，结果如下：

C++调用tensorflow教程

得到结果0。任务完成！

总结

以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对创新互联的支持。如果你想了解更多相关内容请查看下面相关链接


分享题目：C++调用tensorflow教程
文章分享：http://pwwzsj.com/article/gdiiec.html

其他资讯