### 如何保存 Python 训练的机器学习模型以供 C++ 调用 为了使 C++ 程序能够加载和使用由 Python 训练的机器学习模型，通常会采用以下几种方法之一： #### 方法一：将模型导出为 ONNX 格式 ONNX（Open Neural Network Exchange）是一种开放格式，用于表示机器学习模型。许多主流框架（如 TensorFlow 和 PyTorch）支持将模型导出为 ONNX 格式。C++ 可以通过 ONNX Runtime 库加载这些模型并进行推理。 以下是具体的步骤： 1. **在 Python 中训练模型并将模型导出为 ONNX 文件** 使用 `torch.onnx.export` 或其他工具将模型转换为 ONNX 格式[^1]。 ```python import torch import torchvision model = torchvision.models.resnet18(pretrained=True) dummy_input = torch.randn(10, 3, 224, 224) torch.onnx.export(model, dummy_input, "resnet18.onnx", verbose=True) ``` 2. **在 C++ 中加载 ONNX 模型** 利用 ONNX Runtime 的 C++ 接口加载模型并执行推理操作。 ```cpp #include "onnxruntime_cxx_api.h" Ort::Env env(ORT_LOGGING_LEVEL_WARNING, "test"); Ort::Session session(env, "resnet18.onnx", Ort::SessionOptions()); const char* input_names[] = {session.GetInputName(0)}; const char* output_names[] = {session.GetOutputName(0)}; // 输入张量定义... float data[...] = {...}; Ort::Value input_tensor = Ort::Value::CreateTensor<float>(allocator_info, data, size); auto result = session.Run(Ort::RunOptions(), input_names, &input_tensor, 1, output_names, 1); ``` --- #### 方法二：利用 Python 的 C API 加载模型 如果不想切换到另一种格式，可以直接在 C++ 中嵌入 Python 解释器并通过其 C API 来调用已有的 Python 模型。 具体流程如下： 1. **保存模型文件** 在 Python 中使用 `joblib` 或类似的库保存模型。 ```python from sklearn.externals import joblib joblib.dump(clf, 'model.pkl') ``` 2. **编写 C++ 代码初始化 Python 并加载模型** 需要包含 `<Python.h>` 头文件，并按照以下逻辑实现。 ```cpp #include <Python.h> int main() { Py_Initialize(); PyObject *pModule = PyImport_ImportModule("your_module_name"); PyObject *pFunc = PyObject_GetAttrString(pModule, "predict_function"); PyObject *args = PyTuple_Pack(1, PyFloat_FromDouble(input_value)); PyObject *result = PyObject_CallObject(pFunc, args); double prediction = PyFloat_AsDouble(result); Py_Finalize(); return 0; } ``` --- #### 方法三：直接编译成共享库 还可以考虑将 Python 模型及其依赖打包为动态链接库 (DLL)，从而让 C++ 更容易调用它[^3]。 此过程涉及以下几个方面： 1. 将 Python 函数暴露给外部接口； 2. 编写一个简单的包装脚本作为 DLL 入口点； 3. 在 C++ 中加载该 DLL 并调用其中的方法。 这种方法的优点在于无需显式处理复杂的类型映射问题，缺点则是增加了构建复杂度。 --- ### 总结 以上三种方案各有优劣，选择取决于实际应用场景和技术栈偏好。推荐优先尝试基于 ONNX 的解决方案，因为它具有跨平台性和良好的性能表现；而当需要高度定制化时，则可以选择第二种或第三种方式。