C++ != tensorflow:：Status:：OK（））返回状态； } 返回tensorflow:：Status:：OK（）； } int main（int argc，char const*argv[]{ const std:：string graph_fn=“./exported/my_model.meta”； const std:：string checkpoint_fn=“./exported/my_model”； //准备会议 tensorflow:：Session*sess； tensorflow:：SessionOptions选项； TF_CHECK_OK（tensorflow:：NewSession（选项和sess））； TF_CHECK_OK（负载模型（sess、图_fn、检查点_fn））； //准备投入 tensorflow:：TensorShape数据_形（{1,2}）； tensorflow:：TensorData（tensorflow:：DT_FLOAT，data_shape）； //与python文件中的相同 自动数据=data.flat（）.data（）； 数据_0]=42； 数据_u1]=43； 张量输入{ {“input_plhdr”，data}， }; 向量输出； 你检查一下好吗( sess->Run（feed_dict，{“sequential/Output_1/Softmax:0”}，{}，&outputs））； std：：cout

这对TF1.5很有效

负荷图函数

Status LoadGraph(const tensorflow::string& graph_file_name,
    std::unique_ptr<tensorflow::Session>* session, tensorflow::SessionOptions options) {
    tensorflow::GraphDef graph_def;
    Status load_graph_status =
        ReadBinaryProto(tensorflow::Env::Default(), graph_file_name, &graph_def);
    if (!load_graph_status.ok()) {
        return tensorflow::errors::NotFound("Failed to load compute graph at '",
            graph_file_name, "'");
    }
    //session->reset(tensorflow::NewSession(tensorflow::SessionOptions()));
    session->reset(tensorflow::NewSession(options));
    Status session_create_status = (*session)->Create(graph_def);
    if (!session_create_status.ok()) {
        return session_create_status;
    }
    return Status::OK();
}

Status LoadGraph（const tensorflow:：string&graph\u file\u name，
std:：unique_ptr*会话，tensorflow:：会话选项）{
tensorflow:：GraphDef graph_def；
状态加载图状态=
ReadBinaryProto（tensorflow:：Env:：Default（）、图形文件名和图形定义）；
如果（！load\u graph\u status.ok（））{
return tensorflow:：errors:：NotFound（“未能在“”处加载计算图），
图形文件名称“”；
}
//会话->重置（tensorflow:：NewSession（tensorflow:：SessionOptions（））；
会话->重置（tensorflow:：NewSession（选项））；
状态会话\u创建\u状态=（*会话）->创建（图形定义）；
如果（！session\u create\u status.ok（））{
返回会话\u创建\u状态；
}
返回状态：：OK（）；
}

调用加载图函数，路径为.pb model和其他会话配置。加载模型后，您可以通过调用Run进行正向传递

Status load_graph_status = LoadGraph(graph_path, &session_fpass, options);

if (!load_graph_status.ok()) {
    LOG(ERROR) << load_graph_status;
    return -1;
}


std::vector<tensorflow::Tensor> outputs;

Status run_status = session_fpass->Run({ {input_layer, image_in} },
    { output_layer1}, { output_layer1}, &outputs);

if (!run_status.ok()) {
    LOG(ERROR) << "Running model failed: " << run_status;
    return -1;
}

Status load\u graph\u Status=LoadGraph（图形路径和会话fpass，选项）；
如果（！load\u graph\u status.ok（））{
日志（错误）运行（{{input_layer，image_in}），
{output_layer1}、{output_layer1}、&outputs）；
如果（！run_status.ok（））{
LOG（ERROR）这在TF1.5中运行良好

负荷图函数

Status LoadGraph(const tensorflow::string& graph_file_name,
    std::unique_ptr<tensorflow::Session>* session, tensorflow::SessionOptions options) {
    tensorflow::GraphDef graph_def;
    Status load_graph_status =
        ReadBinaryProto(tensorflow::Env::Default(), graph_file_name, &graph_def);
    if (!load_graph_status.ok()) {
        return tensorflow::errors::NotFound("Failed to load compute graph at '",
            graph_file_name, "'");
    }
    //session->reset(tensorflow::NewSession(tensorflow::SessionOptions()));
    session->reset(tensorflow::NewSession(options));
    Status session_create_status = (*session)->Create(graph_def);
    if (!session_create_status.ok()) {
        return session_create_status;
    }
    return Status::OK();
}

Status LoadGraph（const tensorflow:：string&graph\u file\u name，
std:：unique_ptr*会话，tensorflow:：会话选项）{
tensorflow:：GraphDef graph_def；
状态加载图状态=
ReadBinaryProto（tensorflow:：Env:：Default（）、图形文件名和图形定义）；
如果（！load\u graph\u status.ok（））{
return tensorflow:：errors:：NotFound（“未能在“”处加载计算图），
图形文件名称“”；
}
//会话->重置（tensorflow:：NewSession（tensorflow:：SessionOptions（））；
会话->重置（tensorflow:：NewSession（选项））；
状态会话\u创建\u状态=（*会话）->创建（图形定义）；
如果（！session\u create\u status.ok（））{
返回会话\u创建\u状态；
}
返回状态：：OK（）；
}

调用加载图函数，路径为.pb model和其他会话配置。加载模型后，您可以通过调用Run进行正向传递

Status load_graph_status = LoadGraph(graph_path, &session_fpass, options);

if (!load_graph_status.ok()) {
    LOG(ERROR) << load_graph_status;
    return -1;
}


std::vector<tensorflow::Tensor> outputs;

Status run_status = session_fpass->Run({ {input_layer, image_in} },
    { output_layer1}, { output_layer1}, &outputs);

if (!run_status.ok()) {
    LOG(ERROR) << "Running model failed: " << run_status;
    return -1;
}

Status load\u graph\u Status=LoadGraph（图形路径和会话fpass，选项）；
如果（！load\u graph\u status.ok（））{
日志（错误）运行（{{input_layer，image_in}），
{output_layer1}、{output_layer1}、&outputs）；
如果（！run_status.ok（））{
日志（错误）因为这个问题出现了好几次：@ashwin你成功地做了一个正向传递了吗？介意在一个新的答案中发布你的代码吗？因为这个问题出现了好几次：@ashwin你成功地做了一个正向传递了吗？介意在一个新的答案中发布你的代码吗？Tensorflow支持，这个答案中使用了什么版本的Tensorflow？我找不到teNSORFLUT:：在2.1 C++文档中的会话WurmD，它是TysFooSoal1.x版本。问题涉及使用LoopSaveDead模型，答案基于使用不等价的RealBiabyPoto并用于不同的目的。TysFROUP支持，在这个答案中使用了什么版本的TysFoSoad？我找不到TysFooSo:：2.1 C中的会话。++文档WurmD，它是Tensorflow 1.x版。问题涉及使用LoadSavedModel，答案基于使用ReadBinaryProto，这是不等效的，用于不同的目的。问题涉及使用LoadSavedModel，答案基于使用ReadBinaryProto，这是不等效的，用于不同的目的。did在发布这个问题时，没有意识到，模型可以在C++中加载“服务”或“独立”。问题是记住“独立”。方法中，每次向前传递时，我都加载模型。对于这种方法，此解决方案有效。据我所知，模型的SavedModel版本可用于服务。问题涉及使用LoadSavedModel，答案基于使用ReadBinaryProto，这两个版本不等效，且服务于不同的目的。未意识到wHyle发布这个问题，模型可以在C++中加载，用于“服务”或“独立”。问题是记住“独立”的方法，在我每次加载前向模型加载该方法。对于这种方法，这个解决方案起作用。
Status load_graph_status = LoadGraph(graph_path, &session_fpass, options);

if (!load_graph_status.ok()) {
    LOG(ERROR) << load_graph_status;
    return -1;
}


std::vector<tensorflow::Tensor> outputs;

Status run_status = session_fpass->Run({ {input_layer, image_in} },
    { output_layer1}, { output_layer1}, &outputs);

if (!run_status.ok()) {
    LOG(ERROR) << "Running model failed: " << run_status;
    return -1;
}