极智AI | libtorch 调用模型推理方法

Posted 2022-10-19 极智视界

  欢迎关注我的公众号 [极智视界]，获取我的更多笔记分享

  大家好，我是极智视界，本文介绍一下 libtorch 调用模型推理方法。

  之前写了一篇《ubuntu 安装 libtorch》，所以关于 ubuntu 上安装 libtorch 的方法，有兴趣的同学可以自行查看。libtorch 是 pytorch 的 C++ 版本，支持 CPU 端和 GPU 端的模型部署。相较于用 tensorrt 部署 pytorch 模型，用 libtorch的优势在于：pytorch 和 libtorch 同属一个生态，API 语句比较接近，并且不会出现某网络层不支持的问题。这里咱们来看一下 libtorch 怎么调用模型进行推理的。

  下面开始。

  这里咱们以 resnet50 为例。

  首先加载 resnet50 模型，并导出 trace 模型。

# 准备一个 py 脚本，里面内容如下
import torch
import torchvision

model = torchvision.models.resnet50(pretrained=False)
model = model.eval().cuda()
input_data = torch.randn(1, 3, 224, 224).cuda()

# export trace model
traced_script_model = torch.jit.trace(model, input_data)
output = traced_script_model(data)
traced_script_model.save('resnet50.pt')

print(output)

  这里就会导出 trace 模型 resnet50.pt。然后编写推理工程。

  先写 infer.cpp：

// infer.cpp
#include "torch/torch.h"
#include "torch/script.h"
#include <iostream>

int main()
  // torch::Tensor tensor = torch::ones(3);
  // std::cout << tensor << std::endl;
  torch::jit::script::Module module;
  module = torch::jit::load("~/resnet50.pt");    // 导入前面生成的trace模型
  module.to(at::kCUDA);                          // 放到GPU上执行

  // 构建输入张量
  std::vector<torch::jit::IValue> inputs;
  inputs.push_back(torch::ones(1, 3, 224, 224).to(at::kCUDA));

  // 执行推理
  at::Tensor output = module.forward(inputs).toTensor();

  std::cout << output << std::endl;

  然后编写 CMakeList.txt：

cmake_minimum_required(VERSION 2.8 FATAL_ERROR)
find_package(PythonInterp REQUIRED)

project(infer_resnet50)

set(Torch_DIR ~/libtorch/share/cmake/Torch)  #你解压的libtorch的绝对路径
find_package(Torch REQUIRED)

set(CMAKE_CXX_FLAGS "$CAMKE_CXX_FLAGS $TORCH_CXX_FLAGS")
set(CUDA_INCLUDE_DIRS "/usr/local/cuda/include")

add_executable(infer_resnet50 infer.cpp)

#link libtorch .a .so
target_link_libraries(infer_resnet50 "$TORCH_LIBRARIES")
target_include_directories(infer_resnet50 PRIVATE CUDA_INCLUDE_DIRS)

#
set_property(TARGET infer_resnet50 PROPERTY CXX_STANDARD 14)

  开始编译 & 执行：

mkdir build
cd build
cmake ..
make -j8

  正常执行输出结果：

  好了，以上分享了 libtorch 调用模型推理方法。希望我的分享能对你的学习有一点帮助。

 【极智视界】

《极智AI | libtorch 调用模型推理方法》

搜索关注我的微信公众号【极智视界】，获取我的更多经验分享，让我们用极致+极客的心态来迎接AI ！