c++怎么调用LibTorch运行深度学习模型_c++ PyTorch模型加载与推理【案例】

C++加载LibTorch模型需用torch::jit::load()加载.pt脚本模型（非.pth），调用module.eval()和module.to()统一设备，输入张量须严格匹配shape/dtype/device，forward()返回IValue需按类型（toTensor/toGenericDict/toTuple）安全解包，GPU结果须.to(kCPU)后访问。

怎么用 C++ 加载 torch::jit::script::Module 并运行推理

LibTorch 的核心是 torch::jit::script::Module，它对应 Python 侧用 torch.jit.trace 或 torch.jit.script 导出的 .pt 模型文件。C++ 里不能直接加载 .pth（state dict），必须用脚本模型格式。

常见错误：把训练时保存的 model.pth（含 state_dict）直接传给 torch::jit::load()，会报错 Expected a script module, but got a state dict。

• Python 侧导出必须用 traced_model.save("model.pt") 或 scripted_model.save("model.pt")
• C++ 侧加载用 torch::jit::load("model.pt")，返回 torch::jit::script::Module
• 加载后建议调用 module.to(torch::kCUDA)（如果用 GPU）和 module.eval()，否则可能因 dropout/batch norm 行为异常导致输出不一致

输入张量怎么构造才匹配模型期望的 forward 签名

模型在 Python 中 trace/script 时记录了输入 shape、dtype 和名称（如果是命名 tuple 或 dict）。C++ 侧必须严格对齐，否则运行时报 Expected object of scalar type Float but got scalar type Long 或 Wrong number of arguments。

典型场景：图像分类模型输入是 [1, 3, 224, 224] 的 float32 张量，但你传了 int8 或 [3, 224, 224]（缺 batch 维）。

立即学习“C++免费学习笔记（深入）”；

秒哒

秒哒-不用代码就能实现任意想法

下载

• 用 torch::ones({1, 3, 224, 224}, torch::kFloat) 构造占位输入，注意 dtype 和 device 要与模型一致
• 图像预处理（归一化、resize）必须在 C++ 里重做，不能依赖 Python 的 transforms；常用 OpenCV 读图后转 torch::from_blob + permute + to
• 如果模型接受多个输入（如 forward(x, mask)），需用 std::vector<:jit::ivalue> 包装，顺序不能错

为什么 module.forward() 返回值取不到数据？

module.forward() 返回的是 torch::jit::IValue，不是 torch::Tensor。直接打印或取 .data_ptr() 会崩溃或得到乱码。

常见错误现象：程序 segfault，或输出 IValue of None，或 Expected Tensor but got GenericDict（模型返回字典时没解包）。

• 先用 .toTensor() 尝试转成 Tensor（适用于单输出）
• 若模型返回字典（如 DETR），用 .toGenericDict()，再用 .at("pred_logits") 取 key
• 若返回 tuple，用 .toTuple()->elements() 拆包
• 取值前务必检查 ivalue.isTensor() 等类型断言，避免运行时异常

GPU 推理卡死或结果全零？检查这三处

LibTorch 的 CUDA 支持不像 Python 那样“自动兜底”，很多细节要手动对齐。

• 编译 LibTorch 时必须选 CUDA 版本（下载页明确标有 cu118 或 cu121），且与系统 nvidia-driver 和 cudnn 兼容；混用 cpu-only 库和 .to(kCUDA) 会静默失败
• 所有输入 Tensor、模型、中间变量必须在同一个 device 上：创建时加 .to(torch::kCUDA)，不要只移模型不移输入
• GPU 推理后，结果 Tensor 仍位于 GPU，需调用 .to(torch::kCPU).detach().clone() 再访问数据，否则 .data_ptr() 指向显存地址，CPU 不可读

#include 
#include 

int main() {
    auto module = torch::jit::load("resnet18.pt");
    module.to(torch::kCUDA);
    module.eval();

    // 构造输入：[1,3,224,224] float32 GPU tensor
    auto input = torch::randn({1, 3, 224, 224}, torch::kFloat)
                     .to(torch::kCUDA);

    // 推理
    at::IValue output = module.forward({input});
    auto out_tensor = output.toTensor().to(torch::kCPU).detach().clone();

    // 打印 top-1 index
    std::cout << out_tensor.argmax(1) << std::endl;
}