c++、python混合编程（c++调用tensorflow lite转换模型）

最新推荐文章于 2025-07-09 11:44:20 发布
最新推荐文章于 2025-07-09 11:44:20 发布
阅读量2.9k 收藏 13
点赞数 1
CC 4.0 BY-SA版权
分类专栏： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_43590290/article/details/97390830
这篇博客介绍了如何在Windows环境下，使用Visual Studio 2015进行C++和Python的混合编程，目的是在C++程序中调用Python训练的TensorFlow Lite神经网络模型进行数据预测。详细步骤包括环境配置、VS的设置以及C++代码中执行Python脚本的实现。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

1.混合编程的目的

为了在C++主程序中调用，python训练好的神经网络模型，来预测数据。

2.环境

1.win10,
2.vs2015
3.python3.7

3.在VS中配置环境和库

在这里插入图片描述
说明：我的python使用anaconda虚环境安装。
1.右击项目->属性->VC++目录
1）包含目录：
Python安装路径/include
2)库目录：
Python安装路径/libs

2.右击项目->属性->连接器->输入->附加依赖库
在这里插入图片描述
1.debug下：
python安装目录/libs/python37.lib
2.release下：
python安装目录/libs/python37_d.lib
请注意：
1、debug配置的时候可能没有python37_d.lib,那就把python37.lib复制一个，然后重命名为python37_d.lib就可以啦
2、如果一直报错，但是包含头文件等都没有问题，那么你需要看一下你的python是32位还是64位的。然后根据python的环境去配置vs的环境。
若是64位。请在这里修改为X64

最低0.47元/天 解锁文章

200万优质内容无限畅学
C++调用tensorflow模型预测
AI拉呱，专注于人工智与网络安全方面的研究，关注一起学习。
11-19 1256
外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ES8Odn56-1668823372188)(evernotecid://990D8831-DCFF-4D1B-AE60-0FA766F439F7/appyinxiangcom/11012738/ENResource/p2851)]protobuf与tensorflow的对应版本查看,首先下载tensorflow的版本。查看是否生成了所需的头文件和动态连接库。安装前先卸载自带的protobuf。类似如下提示则编译成功。
c语言调用tensorflow模型,<转载>用c++去访问tensorflow模型
weixin_31898831的博客
05-20 948
OpenCV调用TensorFlow预训练模型【尊重原创，转载请注明出处】https://blog.youkuaiyun.com/guyuealian/article/details/80570120强大OpenCV从自OpenCV 3.1版以来，dnn模块一直是opencv_contrib库的一部分，在3.3版中，它被提到了主仓库中。新版OpenCV dnn模块目前支持Caffe、TensorFlow、To...
TensorFlowLite C++移动端接入
最爱吹吹风
12-02 959
TensorFlowLite是专为移动端开发的深度学习框架，这个框架在windows上依然可以使用。 编译: TF NoiseSuppression依赖于tf lite库，编译方法: 进入lite目录tensorflow\lite 执行cmake命令编译对应平台的lite库 以win32为例: cmake ../tensorflow/tensorflow/lite -G"Visual Studio 16 2019" -A"Win32"，生成一个WIN32的VS项目，cmake在生成
教程3：tensorflow lite c++ 接口解读
yushan210的博客
11-24 1569
教程1：tensorflow lite 交叉编译和安装一 教程2：tensorflow lite 编译和安装二 使用bazel编译 教程3：tensorflow lite c++ 接口解读 教程4：TensorFlow2.0 label_image 的编译和使用 原文：http://blog.cvosrobot.com/?post=471 大概整理了TensorFlow lite的初始化流程。主要从BuildFromBuffer 开始到构建完毕的初始化流程。 微信截图_20191223153430.png
Python与C++混合编程深度解析
melonbo的专栏
07-09 661
​：自动转换（int↔int, string↔str）C++侧使用多线程（需确保GIL释放）批量处理数据（传递数组而非单个数值）Python端自动捕获为。​：编译时保留调试符号（Python端直接获得。使用Python标准库。
Tensor Flow Lite C++ API 介绍
17岁boy的博客
09-29 1970
Class类介绍 类名 作用 tflite::ErrorReporter 用于汇报错误，当发生错误时可以通过此类获取错误信息 tflite::FlatBufferModel 用于序列化模型 tflite::Interpreter 从张量输入和输出的节点图的解释器 tflite::InterpreterBuilder 构建一个能够解释模型的解释器 tflite::OpResolver 给定操作码或自定义操作名称返回 Tf
C++TensorFlow Lite编译及使用
MichaelWang的博客
04-14 7402
C++TensorFlow Lite编译及使用 Linux环境 安装软件环境 安装bazel-0.17.2-installer-linux-x86_64.sh 下载tensorflow-1.12.3.tar.gz 安装NDK 下载android-ndk-r15c 安装Android Studio 使用国内网址下载Google Android studio 编译TensorFlow Lite动态...
tensorflow lite c++
ujn20161222的博客
09-28 301
C++ When building TensorFlow Lite libraries using the bazel pipeline, the additional TensorFlow ops library can be included and enabled as follows: Enable monolithic builds if necessary by adding the--config=monolithicbuild flag. Add the TensorFlow op..
C++调用PyTorch/TensorFlow Lite实现工业级AI故障预测系统
最新发布
07-15
内容概要：本文详细介绍了如何使用C++调用AI模型（PyTorch/TensorFlow Lite），构建一个工业级设备故障预测系统。文章首先分析了工业场景下的痛点，即生产线传感器每秒产生大量振动数据，Python方案因性能瓶颈无法...
【人工智能】TensorFlow lite介绍、应用场景以及项目实践：使用TensorFlow Lite进行数字分类
weixin_51306394的博客
08-18 3054
TensorFlow Lite（简称TFLite）是谷歌开发的一种轻量级的深度学习框架，专为移动设备和嵌入式设备设计。它是TensorFlow的移动和嵌入式设备版本，旨在帮助开发者在资源受限的设备上执行机器学习模型。TensorFlow Lite通过解决延时、隐私、连接性、大小和功耗等约束条件，针对设备端机器学习进行了优化。
C++ TensorflowLite模型验证
Melon的博客
08-25 1531
故事是这样的： 有一个手撑检测的tflite模型，需要在开发板上跑起来。手机版本的已成熟，要移植到开发板上。现在要验证tflite模型文件在板子上的运行结果要和手机上一致。 记录下Android版API运行推理前的图片数据文件（经过了规一化处理，所以都是-1~1之间的float数据） 这一步卡在了写float数据到二进制文件中，C++读出来有问题 换了个方案，直接存储float字符串 private void saveFile(float[] pfImageData) {
一些简单的TensorFlowLite_demo
01-18
一些简单的TensorFlow_demo，主要是TensorFlow_lite的demo，android_studio导入运行即可，感谢google提供的下载资源。
TensorFlow Lite C/C++ 分布式库常见问题解决方案
gitblog_00928的博客
12-09 414
TensorFlow Lite C/C++ 分布式库常见问题解决方案 项目基础介绍 TensorFlow Lite C/C++ distribution（以下简称tflite-dist）是一个开源项目，旨在提供预编译的TensorFlow Lite C/C++库和头文件，方便开发者在移动平台上使用TensorFlow Lite。这个项目为Android、iOS和Windows平台提供了所需的库文件...
【亲测免费】 TensorFlow Lite C/C++ 分布库使用教程
gitblog_00908的博客
08-27 867
TensorFlow Lite C/C++ 分布库使用教程 1. 项目的目录结构及介绍 TensorFlow Lite C/C++ 分布库的目录结构如下： tflite-dist/ ├── README.md ├── LICENSE ├── how-to-build.md ├── include/ │ └── tensorflow/ │ └── lite/ │ ...
TensorFlow Lite C/C++ 分布库使用教程
gitblog_01022的博客
08-27 938
TensorFlow Lite C/C++ 分布库使用教程 项目介绍 TensorFlow Lite C/C++ 分布库是一个开源项目，旨在提供 TensorFlow Lite 的 C 和 C++ 库，使得开发者能够在不同的平台上（如 Android 和 iOS）使用相同的代码进行对象检测。该项目由 ValYouW 维护，提供了动态库、GPU 委托库以及 iOS 框架，支持跨平台开发。 项目快速启...
TensorFlow Lite开发系列之C++接口解析(二)
https://shixuebin.gitee.io/hexo-blog/
03-06 2038
编译 下载tensorflow源码，网址：https://github.com/tensorflow/tensorflow/tree/v2.1.0 保证系统已经安装g++， gcc， make， cmake 加压刚才下载好的 tensorflow 源码, 进入tensorflow-master/tensorflow/lite/tools/make/目录下 首先执行download_depende...
Tensorflow lite 编译Android JNI C++ 动态链接库（步骤详细生动，还怕搞不定吗）
三川小哥 狂想曲
08-12 2411
目录1. 准备食材（荤菜）2. 准备食材（素菜）3. 磨刀（tensorflow编译依赖）4. 切菜5 热油（设置输出的内容）6. 炒菜了（编译）7 浇汤头，也叫勾芡（整理头文件）8. 上菜啦（整理进CMakeLists.txt中）9. 吃完了，别走，付钱呀 如果你想在Android上用JNI跑TensorFlow神经网络，就需要把TensorFlow Lite编译成C++的动态链接库。由于烹饪技法奇特，凡人非三五天难以编译出来。 本大厨历经艰辛，达到彼岸。今天把烹饪过程详述于此，以示后来者。（有问题留言共
tensorflowlite的基本使用以及一些 C++ API 说明
teleger的博客
07-22 3905
1. std::unique_ptr<FlatBufferModel> BuildFromFile( const char* filename, ErrorReporter* error_reporter = DefaultErrorReporter()); 这个函数 申明位于 tensorflow/lite/model.h FlatBu...
tensorflow训练的模型，用C++ 部署，需要的看过来
fengshengwei3的专栏
03-26 3567
目录 1.先准备tensorflow 和 opencv 的lib 2.项目配置就不说了 3.试一下效果 4.代码 首先，感谢一下rockingdingo:https://github.com/rockingdingo/tensorflow-tutorial/issues，他已经把流程写的很清楚了，只是他给的C++demo 是基于linux ，我来补一个windows 的 1.先准备...
linux 如何应用TensorFlow Lite 模型
06-05
<think>首先，用户的问题是："我想了解在Linux系统上如何使用TensorFlowLite模型请问如何在Linux中加载和应用TensorFlowLite模型"。根据系统级指令，我需要确保所有行内数学表达式使用$...$格式，独立公式使用$$...$$格式单独成段。但在这个问题中，可能没有数学表达式，因此不需要插入数学语法。系统指令还包括：-LaTeX语法正确-使用中文回答-生成相关问题-在回答中引用的段落末尾自然地添加引用标识，如[^1]参考的用户引用内容：-[^1]:关于将TensorFlow模型转换为TensorFlowLite，在Android上运行。-[^2]:TensorFlow与TensorFlowLite的对比，包括核心特性和差异。-[^3]:TensorFlowLite在armlinux开发板上的移植问题。-[^4]:TensorFlowLite的基本介绍，用于移动端和嵌入式设备。用户真正的问题是关于在Linux系统中加载和应用TensorFlowLite模型。所以，我需要基于这些引用和知识来回答这个问题。关键点：-TensorFlowLite(TFLite)是轻量级框架，适用于移动端和嵌入式设备，包括Linux（如RaspberryPi）。-用户指定在Linux系统上，所以应该针对Linux平台。步骤分解回答：1.**介绍TensorFlowLite**：简要解释TFLite是什么及其在Linux中的适用性。引用[^4]提到TFLite用于资源受限环境，支持Linux。2.**准备模型**：用户可能需要先有TFLite模型。引用[^1]讨论了如何将TensorFlow模型转换为TFLite格式。3.**在Linux中加载模型**：解释如何使用TFLite在Linux中加载模型。可以使用Python接口或C++API。4.**应用模型（推理）**：描述如何运行推理，输入数据并获取输出。5.**依赖和安装**：说明在Linux上安装TFLite的步骤。6.**常见问题**：比如依赖缺失（如引用[^3]提到的编译问题）或优化。7.**生成相关问题**：结束时要添加2-3个相关问题。结构清晰：-将回答组织成逻辑部分。-使用列表或标题以提高可读性。-语言使用中文。引用添加：-在相关点末尾添加引用标识，如[^1]。自然地融入内容。生成相关问题：-如系统指令示例，添加"§§相关问题§§"，然后列出问题。具体内容：1.**安装TensorFlowLite**：-对于Linux，可以安装TensorFlowLite的Python包或C++库。-使用pip安装：`pipinstalltflite-runtime`-或从源代码编译（如引用[^2]中提到）。引用[^2]讨论了对硬件的优化。2.**加载模型**：-使用Python时，加载.tflite文件。-示例代码：`interpreter=tf.lite.Interpreter(model_path="model.tflite")`-解释步骤。3.**运行推理**：-输入数据准备，调用推断。-示例代码片段。4.**处理输出**：-获取并解释结果。5.**优化和硬件加速**：-提到如引用[^4]中的硬件优化（CPU,GPU,NPU）。-在Linux上配置。代码块：-如果包含代码，确保格式正确，就像系统指令示例中使用代码块。最终回答结构：-介绍-步骤：安装、加载模型、应用模型-结束相关问题确保回答真实可靠：基于TFLite文档或常识。</think> ### 在 Linux 系统中加载和应用 TensorFlow Lite 模型 TensorFlow Lite（TFLite）是 Google 开源的轻量级机器学习框架，专为资源受限的设备（如 Linux 嵌入式系统或 Raspberry Pi）设计，支持高效推理[^4]。在 Linux 系统上使用 TFLite 模型，主要步骤包括安装依赖、加载模型和运行推理。以下是详细的基于 Python 实现的步骤（C++ API 也可用，但 Python 更易上手）。整个过程假设您的系统运行 Linux（如 Ubuntu 或 ARM Linux），并已安装 Python。 #### 1. 安装 TensorFlow Lite 依赖 在 Linux 上使用 TFLite，需先安装 TFLite 运行时库。推荐使用 Python 包管理工具 `pip`，以确保兼容性。TensorFlow Lite 针对 Linux 优化了 CPU 推理性能，并能结合 NNAPI 或 GPU 加速硬件（如 Jetson Nano）[^2]。 ```bash # 确保 Python 3.6+ 已安装 sudo apt update sudo apt install python3-pip # 安装 pip pip install tflite-runtime # 安装轻量级 TFLite 运行时 ``` **注意**：如果使用嵌入式开发板（如 Raspberry Pi），可能需要交叉编译库（参考引用[^3]），或使用预编译包以避免库依赖缺失问题[^3]。 #### 2. 准备和加载 TFLite 模型 加载模型前，需一个 `.tflite` 格式的模型文件。如果您已有 TensorFlow 模型（SavedModel 或 Keras 格式），使用 TensorFlow Lite Converter 转换为 TFLite 模型[^1]。 **模型转换示例**： ```python import tensorflow as tf # 加载 TensorFlow 模型（例如 Keras 模型） model = tf.keras.models.load_model('original_model.h5') # 转换为 TFLite 格式 converter = tf.lite.TFLiteConverter.from_keras_model(model) tflite_model = converter.convert() # 保存 .tflite 文件 with open('model.tflite', 'wb') as f: f.write(tflite_model) ``` **在 Linux 中加载模型**： 使用 `tflite_runtime` 库的 `Interpreter` 接口加载模型。此接口初始化模型结构并分配内存。 ```python import numpy as np from tflite_runtime.interpreter import Interpreter # 加载 TFLite 模型 interpreter = Interpreter(model_path='model.tflite') interpreter.allocate_tensors() # 分配内存，加载模型权重 # 获取输入和输出详情 input_details = interpreter.get_input_details() output_details = interpreter.get_output_details() # 示例：查看输入输出形状（假设模型有单一输入） print("输入形状:", input_details[0]['shape']) print("输出形状:", output_details[0]['shape']) ``` #### 3. 应用模型进行推理 加载模型后，输入数据进行推理并解析输出。TFLite 在 Linux 上针对实时应用优化了延迟和内存占用，适用于图像分类、目标检测等任务[^4]。 **推理示例代码**： ```python # 准备输入数据（例如归一化图像或数值数组） input_data = np.array(np.random.random_sample(input_details[0]['shape']), dtype=np.float32) # 设置输入数据到 interpreter interpreter.set_tensor(input_details[0]['index'], input_data) # 运行推理 interpreter.invoke() # 获取输出结果 output_data = interpreter.get_tensor(output_details[0]['index']) print("推理输出:", output_data) ``` **关键优化提示**： - **硬件加速**：在支持 GPU 或 NPU 的 Linux 设备上（如 NVIDIA Jetson），可启用硬件加速提升性能[^2]。 ```python # 在 Interpreter 初始时指定硬件委托 delegate_options = { # 示例为 GPU 委托 'GPU': True } interpreter = Interpreter(model_path='model.tflite', experimental_delegates=[delegate_options]) ``` - **性能监控**：使用系统工具（如 `top`）监测 CPU 和内存使用，确保推理高效[^4]。 #### 常见问题解决 - **依赖缺失**：如果在开发板运行时报错（如 "缺少库"），请检查系统库（如 GLIBC），并考虑静态链接编译引用[^3]。 - **模型兼容性**：TFLite 仅支持推理（不支持训练），确保转换后模型没有未支持算子[^1][^4]。 - **资源限制**：在低端 Linux 设备上，使用轻量模型（如 MobileNet）以减少内存占用[^2]。 ###
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

菜菜菜菜菜菜菜

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值