C++ 和python的混合编程

• windows + vs

  1. 新建一个工程，在工程属性中添加如下的几个

     

     C:\Users\[user_name]\Anaconda3\include

     C:\Users\[user_name]\Anaconda3\Lib

     C:\Users\[user_name]\Anaconda3\libs

     具体路径根据自己python的安装情况确定。

  2. 添加附加依赖项 pytyhon36.lib,具体参照自己的文件路径以及python版本

  

  3. 如果需要在DEBUG下运行，需要修改pyconfig.h文件，我的电脑上的位置为C:\Users\chmtt\Anaconda3\include\pyconfig.h 打开以后在293行，将python36_d.lib修改为python36.lib 即可。如果直接在release下运行无需操作。

  4. 假设需要调用的python脚本为

     默认你已经写好tensorflow的python脚本，并能跑成功。（tensorflow的使用不是本文重点）
     c++需要调用的就是这个classify.py里面的evaluate函数，传入图片路径，返回分类结果给c++程序

     from PIL import Image
     import numpy as np
     import tensorflow as tf
     
     def evaluate(pic):
         image = Image.open(pic)
         image = image.resize([256, 256])
         image_array = np.array(image)
         with tf.Graph().as_default():
             	#里面就是对图像读取模型，预测，得到prediction……
                 max_index = np.argmax(prediction)
                 return max_index
     

  5. C++Demo

     #include <Python.h>
     #include <iostream>
     
     
     int main(int argc, char** argv)
     {
         const char* picpath ="/home/pdd/PD/c++/c++python/pic/0.0.jpg";
         Py_Initialize(); 
             if ( !Py_IsInitialized() ) {  
             return -1;  
             }  
             PyRun_SimpleString("import sys");
             PyRun_SimpleString("sys.path.append('./')");
         PyObject* pMod = NULL;
         PyObject* pFunc = NULL;
         PyObject* pParm = NULL;
         PyObject* pRetVal = NULL;
         int iRetVal = -999;
         const  char* modulName="classify";    //这个是被调用的py文件模块名字
         pMod = PyImport_ImportModule(modulName); 
         if(!pMod)
         {
             return -1;
         }
         const char* funcName="evaluate";  //这是此py文件模块中被调用的函数名字
         pFunc = PyObject_GetAttrString(pMod, funcName); 
         if(!pFunc)  
         {   
             return -2;  
         }  
         pParm = PyTuple_New(1);
         PyTuple_SetItem(pParm, 0, Py_BuildValue("s",picpath));//传入的参数，是图片的路径
         pRetVal = PyEval_CallObject(pFunc, pParm);//这里开始执行py脚本
         PyArg_Parse(pRetVal, "i", &iRetVal);//py脚本返回值给iRetVal
         //PyErr_Print();
         std::cout<<iRetVal;
         return iRetVal;
     }
     

• ubuntu

  安装了anaconda, tensorflow

  C++ 和 python代码与上面类似。在构建执行文件时

  main:c++python.cpp
      g++ -o out c++python.cpp -I/home/pdd/anaconda3/include/python3.6m -lpython3.6m -L /home/pdd/anaconda3/lib
  
  clean:
      rm -rf *.o 
  

  -I后面的/home/pdd/anaconda3/include/python3.6m有需要的Python.h；

  -lpython3.6m链接到需要的libpython3.6m.so;

  -L指出链接的路径。

  终端输入make。如果提示需要什么libpython3.6m.so,就把/home/pdd/anaconda3/lib下的libpython3.6m.*.so复制到/usr/lib/下（sudo cp ——–）  此时再次输入make，一切ok！得到out文件，输入./out

源码编译运行。

大体的流程如下：

• 1.使用tensorflow python API编写和训练自己的模型，训练完成后，使用tensorflow saver 将模型保存下来。
• 2.使用tensorflow c++ API 构建新的session，读取python版本保存的模型，然后使用session->run()获得模型的输出。
• 3.编译和运行基于tensorflow c++ API写的代码。

1. Ubuntu
2. windows