導讀 本文主要講解如何將pytorch的模型部署到c++平臺上的模型流程，按順序分為四大塊詳細說明了模型轉換、保存序列化模型、C ++中加載序列化的PyTorch模型以及執行Script Module。

最近因為工作需要，要把pytorch的模型部署到c++平臺上，基本過程主要參照官網的教學示例，期間發現了不少坑，特此記錄。

1.模型轉換

libtorch不依賴于python，python訓練的模型，需要轉換為script model才能由libtorch加載，并進行推理。在這一步官網提供了兩種方法： 方法一：Tracing 這種方法操作比較簡單，只需要給模型一組輸入，走一遍推理網絡，然后由torch.ji.trace記錄一下路徑上的信息并保存即可。示例如下：

importtorch importtorchvision #Aninstanceofyourmodel. model=torchvision.models.resnet18() #Anexampleinputyouwouldnormallyprovidetoyourmodel'sforward()method. example=torch.rand(1,3,224,224) #Usetorch.jit.tracetogenerateatorch.jit.ScriptModuleviatracing. traced_script_module=torch.jit.trace(model,example) 缺點是如果模型中存在控制流比如if-else語句，一組輸入只能遍歷一個分支，這種情況下就沒辦法完整的把模型信息記錄下來。 方法二：Scripting 直接在Torch腳本中編寫模型并相應地注釋模型，通過torch.jit.script編譯模塊，將其轉換為ScriptModule。示例如下：

classMyModule(torch.nn.Module): def__init__(self,N,M): super(MyModule,self).__init__() self.weight=torch.nn.Parameter(torch.rand(N,M)) defforward(self,input): ifinput.sum()>0: output=self.weight.mv(input) else: output=self.weight+input returnoutput my_module=MyModule(10,20) sm=torch.jit.script(my_module)

forward方法會被默認編譯，forward中被調用的方法也會按照被調用的順序被編譯

如果想要編譯一個forward以外且未被forward調用的方法，可以添加@torch.jit.export.

如果想要方法不被編譯，可使用[@torch.jit.ignore](https://link.zhihu.com/?target=https%3A//pytorch.org/docs/master/generated/torch.jit.ignore.html%23torch.jit.ignore)或者[@torch.jit.unused](https://link.zhihu.com/?target=https%3A//pytorch.org/docs/master/generated/torch.jit.unused.html%23torch.jit.unused)

#Samebehavioraspre-PyTorch1.2 @torch.jit.script defsome_fn(): return2 #Marksafunctionasignored,ifnothing #evercallsitthenthishasnoeffect @torch.jit.ignore defsome_fn2(): return2 #Aswithignore,ifnothingcallsitthenithasnoeffect. #Ifitiscalledinscriptitisreplacedwithanexception. @torch.jit.unused defsome_fn3(): importpdb;pdb.set_trace() return4 #Doesn'tdoanything,thisfunctionisalready #themainentrypoint @torch.jit.export defsome_fn4(): return2 在這一步遇到好多坑，主要原因可歸為一下兩點

1. 不支持的操作

TorchScript支持的操作是python的子集，大部分torch中用到的操作都可以找到對應實現，但也存在一些尷尬的不支持操作，詳細列表可見unsupported-ops（https://pytorch.org/docs/master/jit_unsupported.html#jit-unsupported），下面列一些我自己遇到的操作： 1）參數/返回值不支持可變個數，例如

def__init__(self,**kwargs): 或者

ifoutput_flag==0: returnreshape_logits else: loss=self.loss(reshape_logits,term_mask,labels_id) returnreshape_logits,loss 2)各種iteration操作 eg1.

layers=[int(a)forainlayers] 報錯torch.jit.frontend.UnsupportedNodeError: ListComp aren’t supported 可以改成：

forkinrange(len(layers)): layers[k]=int(layers[k]) eg2.

seq_iter=enumerate(scores) try: _,inivalues=seq_iter.__next__() except: _,inivalues=seq_iter.next() eg3.

line=next(infile) 3)不支持的語句 eg1. 不支持continue torch.jit.frontend.UnsupportedNodeError: continue statements aren’t supported eg2. 不支持try-catch torch.jit.frontend.UnsupportedNodeError: try blocks aren’t supported eg3. 不支持with語句 4）其他常見op/module eg1. torch.autograd.Variable 解決：使用torch.ones/torch.randn等初始化+.float()/.long()等指定數據類型。 eg2. torch.Tensor/torch.LongTensor etc. 解決：同上 eg3. requires_grad參數只在torch.tensor中支持，torch.ones/torch.zeros等不可用 eg4. tensor.numpy() eg5. tensor.bool() 解決：tensor.bool()用tensor>0代替 eg6. self.seg_emb(seg_fea_ids).to(embeds.device) 解決：需要轉gpu的地方顯示調用.cuda() 總之一句話：除了原生python和pytorch以外的庫，比如numpy什么的能不用就不用，盡量用pytorch的各種API。

2. 指定數據類型

1）屬性，大部分的成員數據類型可以根據值來推斷，空的列表/字典則需要預先指定

fromtypingimportDict classMyModule(torch.nn.Module): my_dict:Dict[str,int] def__init__(self): super(MyModule,self).__init__() #Thistypecannotbeinferredandmustbespecified self.my_dict={} #Theattributetypehereisinferredtobe`int` self.my_int=20 defforward(self): pass m=torch.jit.script(MyModule()) 2）常量，使用_Final_關鍵字

try: fromtyping_extensionsimportFinal except: #Ifyoudon'thave`typing_extensions`installed,youcanusea #polyfillfrom`torch.jit`. fromtorch.jitimportFinal classMyModule(torch.nn.Module): my_constant:Final[int] def__init__(self): super(MyModule,self).__init__() self.my_constant=2 defforward(self): pass m=torch.jit.script(MyModule()) 3）變量。默認是tensor類型且不可變，所以非tensor類型必須要指明

defforward(self,batch_size:int,seq_len:int,use_cuda:bool): 方法三：Tracing and Scriptin混合 一種是在trace模型中調用script，適合模型中只有一小部分需要用到控制流的情況，使用實例如下：

importtorch @torch.jit.script deffoo(x,y): ifx.max()>y.max(): r=x else: r=y returnr defbar(x,y,z): returnfoo(x,y)+z traced_bar=torch.jit.trace(bar,(torch.rand(3),torch.rand(3),torch.rand(3))) 另一種情況是在script module中用tracing生成子模塊，對于一些存在script module不支持的python feature的layer，就可以把相關layer封裝起來，用trace記錄相關layer流，其他layer不用修改。使用示例如下：

importtorch importtorchvision classMyScriptModule(torch.nn.Module): def__init__(self): super(MyScriptModule,self).__init__() self.means=torch.nn.Parameter(torch.tensor([103.939,116.779,123.68]) .resize_(1,3,1,1)) self.resnet=torch.jit.trace(torchvision.models.resnet18(), torch.rand(1,3,224,224)) defforward(self,input): returnself.resnet(input-self.means) my_script_module=torch.jit.script(MyScriptModule())

2.保存序列化模型

如果上一步的坑都踩完，那么模型保存就非常簡單了，只需要調用save并傳遞一個文件名即可，需要注意的是如果想要在gpu上訓練模型，在cpu上做inference，一定要在模型save之前轉化，再就是記得調用model.eval(),形如

gpu_model.eval() cpu_model=gpu_model.cpu() sample_input_cpu=sample_input_gpu.cpu() traced_cpu=torch.jit.trace(traced_cpu,sample_input_cpu) torch.jit.save(traced_cpu,"cpu.pth") traced_gpu=torch.jit.trace(traced_gpu,sample_input_gpu) torch.jit.save(traced_gpu,"gpu.pth")

3.C++ load訓練好的模型

要在C ++中加載序列化的PyTorch模型，必須依賴于PyTorch C ++ API（也稱為LibTorch）。libtorch的安裝非常簡單，只需要在pytorch官網下載對應版本，解壓即可。會得到一個結構如下的文件夾。

libtorch/ bin/ include/ lib/ share/ 然后就可以構建應用程序了，一個簡單的示例目錄結構如下：

example-app/ CMakeLists.txt example-app.cpp example-app.cpp和CMakeLists.txt的示例代碼分別如下：

#include//One-stopheader. #include #include intmain(intargc,constchar*argv[]){ if(argc!=2){ std::cerr< "; return-1; } torch::Modulemodule; try{ //DeserializetheScriptModulefromafileusingtorch::load(). module=torch::load(argv[1]); } catch(constc10::Error&e){ std::cerr< cmake_minimum_required(VERSION 3.0 FATAL_ERROR) project(custom_ops) find_package(Torch REQUIRED) add_executable(example-app example-app.cpp) target_link_libraries(example-app "${TORCH_LIBRARIES}") set_property(TARGET example-app PROPERTY CXX_STANDARD 14) 至此，就可以運行以下命令從example-app/文件夾中構建應用程序啦：

mkdir build cd build cmake -DCMAKE_PREFIX_PATH=/path/to/libtorch .. cmake --build . --config Release 其中/path/to/libtorch是之前下載后的libtorch文件夾所在的路徑。這一步如果順利能夠看到編譯完成100%的提示，下一步運行編譯生成的可執行文件，會看到“ok”的輸出，可喜可賀！

4. 執行Script Module

終于到最后一步啦！下面只需要按照構建輸入傳給模型，執行forward就可以得到輸出啦。一個簡單的示例如下：

//Createavectorofinputs. std::vectorinputs; inputs.push_back(torch::ones({1,3,224,224})); //Executethemodelandturnitsoutputintoatensor. at::Tensoroutput=module.forward(inputs).toTensor(); std::cout< torch::tensor(input_list[j]).to(at::kLong).resize_({batch,128}).clone() //torch::tensor對應pytorch的torch.tensor;at::kLong對應torch.int64;resize_對應resize 最后check一下確保c++端的輸出和pytorch是一致的就大功告成啦~ 踩了無數坑，薅掉了無數頭發，很多東西也是自己一點點摸索的，如果有錯誤歡迎指正！

審核編輯：彭靜