C++ 将Keras模型转换为C++；

我正在使用Keras（和Theano一起）来训练我的CNN模型。有没有人知道我如何在C++应用程序中使用它？有人试过类似的东西吗？我想编写一些python代码，生成一个具有网络功能的C++代码，有什么建议吗？

---

<>我发现了一个类似的问题，如何在C++中使用Tensorflow Keras模型，但没有回答。

< P>最简单的方法可能是对Python脚本进行系统调用，该脚本将预测写入二进制或文件，可以从C++读取。你也可以

---

如果您需要轻松地部署和分发，您可以查看像Python那样的自包含设备，但您最好的办法是避免使用Keras或使用C++接口或Tensorflow。我不推荐Tensorflow，因为使用C++是不标准的；看见可以说，你不能真的出错。

< P>最简单的方法可能是对Python脚本进行系统调用，该脚本将预测写入二进制或文件，可以从C++读取。你也可以

---

如果您需要轻松地部署和分发，您可以查看像Python那样的自包含设备，但您最好的办法是避免使用Keras或使用C++接口或Tensorflow。我不推荐Tensorflow，因为使用C++是不标准的；看见可以说，你不能真的出错。< /P> < P>回答我自己的问题并有一个解决方案——我写了一个简单的C++解决方案（它的代码在Github上可用）。

---

在这个解决方案中，您存储网络架构（json）和权重（hdf5）。然后，您可以使用提供的脚本将网络转储到纯文本文件中。您可以使用纯C++代码使用网络获得文本文件。不依赖于python库或hdf5。它应该为TeaNo.TunSoFoSe后端工作。< /P> < P>回答我自己的问题并有一个解决方案——我写了一个简单的C++解决方案（它的代码在Github上可用）。 在这个解决方案中，您存储网络架构（json）和权重（hdf5）。然后，您可以使用提供的脚本将网络转储到纯文本文件中。您可以使用纯C++代码使用网络获得文本文件。不依赖于python库或hdf5。它应该适用于TeaNo.TunSoFoSe后端。

< P>我有类似的需求——我想嵌入CARAS模型在C++应用程序中，并决定写自己的库：

Kerasify的设计目标：

• 与Keras使用Theano后端生成的图像处理顺序网络的兼容性。（如果切换矩阵列/行顺序，可以使用Tensorflow）
• 没有外部依赖项，标准库，C++11功能正常
• 模型以二进制格式存储在磁盘上，可以快速读取
• 模型以连续块的形式存储在内存中，以提高缓存性能
• 不抛出异常，只在出错时返回bool
• 仅CPU，无GPU

github链接上的示例代码、单元测试等。它不是完全完整的，它只支持我使用的CARAS函数的窄子集，但是它应该是一个可以扩展的小努力。

< P>我有类似的需求——我想嵌入CARAS模型在C++应用程序中，并决定写自己的库：

Kerasify的设计目标：

• 与Keras使用Theano后端生成的图像处理顺序网络的兼容性。（如果切换矩阵列/行顺序，可以使用Tensorflow）
• 没有外部依赖项，标准库，C++11功能正常
• 模型以二进制格式存储在磁盘上，可以快速读取
• 模型以连续块的形式存储在内存中，以提高缓存性能
• 不抛出异常，只在出错时返回bool
• 仅CPU，无GPU

---

github链接上的示例代码、单元测试等。它不是完全完整的，它只支持我正在使用的Keras函数的一小部分，但它应该是可扩展的，只需稍加努力。

如果您的Keras模型是使用tensorflow后端培训的，您可以按照以下代码将Keras模型保存为tensorflow模型：

以下是代码的较短版本：

from keras import backend as K
from tensorflow.python.framework import graph_util
from tensorflow.python.framework import graph_io

weight_file_path = 'path to your keras model'
net_model = load_model(weight_file_path)
sess = K.get_session()

constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph.as_graph_def(), 'name of the output tensor')
graph_io.write_graph(constant_graph, 'output_folder_path', 'output.pb', as_text=False)
print('saved the constant graph (ready for inference) at: ', osp.join('output_folder_path', 'output.pb'))

---

如果使用tensorflow后端对keras模型进行了培训，则可以按照以下代码将keras模型保存为tensorflow模型：

以下是代码的较短版本：

from keras import backend as K
from tensorflow.python.framework import graph_util
from tensorflow.python.framework import graph_io

weight_file_path = 'path to your keras model'
net_model = load_model(weight_file_path)
sess = K.get_session()

constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph.as_graph_def(), 'name of the output tensor')
graph_io.write_graph(constant_graph, 'output_folder_path', 'output.pb', as_text=False)
print('saved the constant graph (ready for inference) at: ', osp.join('output_folder_path', 'output.pb'))

---

这里的解决方案非常好，但是如果您的模型具有这些库不支持的某些不同类型的层，我建议您执行以下操作：

• 将Keras模型转换为tensorflow模型
• 冻结模型并使用tensorflow提供的转换图工具（您必须使用bazel从源代码构建它）
• 编译C++ API ToSoFraseCub库以在项目中使用它。<李> < L>使用C++ API TysFooFrand库，并将库链接到项目。

如果您想使用与bazel不同的编译器（例如g++），您可以遵循以下伟大的教程：

---

这里找到的解决方案非常好，但是如果您的模型具有这些库不支持的某些不同类型的层，我建议您执行以下操作：

• 将Keras模型转换为tensorflow模型
• 冻结模型并使用tensorflow提供的转换图工具（您必须使用bazel从源代码构建它）
• 编译C++ API ToSoFraseCub库以在项目中使用它。<李> < L>使用C++ API TysFooFrand库，并将库链接到项目。

如果您想使用与bazel不同的编译器（例如g++），您可以遵循以下伟大的教程：

---

< P>我发现自己处于类似的情况，但不仅需要支持C++中的顺序KARS模型的前向传递，还需要用.< /P>建立更复杂的模型。 所以我写了一个新的图书馆叫节俭深度。您可以在GitHub上找到它，它是Published