### 如何在QT应用程序中集成和调用Python深度学习库 #### 使用嵌入式 Python 解释器 为了使 C++ 和 Python 代码能够协同工作，在 QT 应用程序内部可以初始化并使用嵌入式的 Python 解释器。这允许直接执行 Python 脚本或函数，从而加载训练好的机器学习模型来进行推理操作[^1]。 ```cpp #include <QApplication> #include <QWidget> // 导入必要的 Python 头文件来启动解释器 extern "C" { #include "Python.h" } ... int main(int argc, char *argv[]) { QApplication app(argc, argv); Py_Initialize(); // 初始化 Python 解释器 QWidget window; window.resize(250, 150); window.setWindowTitle(QString::fromUtf8("Simple example")); window.show(); if (Py_FinalizeEx() < 0) { /* 错误处理 */ } return app.exec(); } ``` #### 加载预训练的 TensorFlow 或其他框架模型 通过 `PyRun_SimpleString` 函数可以在运行时动态地导入 Python 模块以及创建会话对象用于预测新数据点。这里展示了一个简单的例子，其中包含了设置环境变量以便找到安装路径下的 `.whl` 文件或其他依赖项[^2]。 ```cpp void loadModel() { std::string modelPath = "/path/to/your/model"; const char* pythonCode = "import os\n" "os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'\n" "import tensorflow as tf\n" "model=tf.keras.models.load_model('" + modelPath +"')\n"; PyRun_SimpleString(pythonCode); // 创建一个全局变量供后续调用 predict 方法时访问已加载的模型实例 PyObject_SetAttrString(PyImport_AddModule("__main__"), "loaded_model", PyObject_GetAttrString(PyObject_CallObject( PyObject_GetAttrString(PyImport_AddModule("tensorflow"), "keras"), "models"), "load_model")); } ``` #### 执行预测任务并与 UI 组件交互 当用户触发某个事件（比如点击按钮），可以通过封装好的接口传递输入特征给 Python 的神经网络，并接收返回的结果更新到界面上显示出来。下面是一个假设的例子说明如何完成这一过程： ```cpp QString performPrediction(const QString& inputFeaturesJson) { // 将 JSON 字符串转换成 Python 对象传入 loaded_model.predict 中计算输出概率分布向量 const char* predictionScript = "import json\n" "input_data=json.loads('''" + inputFeaturesJson.toStdString() + "''')\n" "output_probabilities=loaded_model.predict([input_data])\n" "json.dumps(output_probabilities.tolist())"; PyObject* resultObj = PyRun_String(predictionScript, Py_file_input, PyEval_GetBuiltins(), PyEval_GetLocals()); // 把 Python 返回的对象转回字符串形式再交给 Qt 显示 return QString::fromLatin1(PyUnicode_AsUTF8(resultObj)); } ```