学更好的别人，
做更好的自己。
——《微卡智享》
本文长度为1974字，预计阅读5分钟
前言
很早就想学习深度学习了，因为平时都是自学，业余时间也有限，看过几个pyTorch的入门，都是一些碎片化的东西，始终串不起来。最近也是正好赶的疫情，出差少了，也是在B站看pyTorch视频时有评论说刘二大人的《pyTorch深度学习实践》讲的好，整个教程看下来后，确实是深入浅出，感觉就是宛然打通自己任督二脉，算是入门了。
pyTorch入门，最重要的还是需要真正用起来，OpenCV中DNN模块就是用来推理的，所以这篇就是专门做一个最简单的例子来验证效果，文章最后有源码的Github地址。
| # | 实现方式 |
|---|---|
| 1 | pyTorch训练数据 |
| 2 | 将pyTorch训练好的数据模型转出为onnx的文件 |
| 3 | 使用C++ OpenCV DNN实现推理 |
配置环境
操作系统：Windows 11 Home
pyTorch相关：Miniconda + pyTorch1.12.1(cpu) + python3.9.12，IDE用的是Visual Studio Code
OpenCV相关：OpenCV 4.5.1 + C++，IDE用的是Visual Studio 2022
原来环境装的是Anaconda全家桶，需要的资源空间大，而Miniconda是最小的conda安装环境，所以这里推荐还是用Miniconda。具体的环境配置及安装方式，网上挺多的，包括视频也有，可以自行搜索一下。
平时办公外接大屏显示器，现在由于工作原因，现在出差较多，为了解决使用大屏的需求，同时出差携带方便，所以换了折叠屏的笔记本，由原来的ASUS灵耀X DUO换成了ASUS 灵耀X Fold，相应的原来还有独立显卡，现在也只能是集成显卡，pyTorch也装的是CPU版本。上几张两个笔记本对比图
代码实现
微卡智享
做一个最简单的训练及推理，那我们就不用图像，就是一个简单的运算，如下图：
上图中红框代表我要的训练集，我们一眼就可以看出，实现的效果就是输入值乘2得到输出结果，下面两条4.0和100.0用于推理出结果，得到的也应该是8.0和200.0
pyTorch训练
01
定义训练集
导入torch包后，我们直接定义输入的x_data为【1，2，3】，输出的结果y_data为【2，4，6】，输入结果打印如下：
02
定义训练的网络模型及损失函数和优化器
训练模型也非常简单，只有Linear全链接层一层，并且在前馈forward函数中没有用到激活函数，直接输出了。损失函数用的MSE，优化器SGD，其中学习率参数设置的0.02(lr=0.02)
03
训练模型
关于训练，主要就是四个步骤：
-
forward（前馈）
-
loss（计算损失函数）
-
backward（反向传播）
-
step（优化迭代）
上面我们设置了训练次数为1000次，每100次打印一下loss，最后输出权重值，训练的结果如下：
04
验证测试及输出onnx模型
训练完成后，我们来验证测试结果，分输入了4，8，10，15四个值，打印结果如下：
上图中可以看到，预测的结果完全准确，接下来我们就将训练的这个模型导出onnx文件用于OpenCV的推理。
-
将model模型改为eval()，是设置为推理模式。
-
定义一个输入的参数模型dummy_input
-
设置输出、输出的参数名称input和output，还有onnx的文件名称
-
用torch.onnx.export进行导出，其中verbose=True是将会输出被导出的轨迹的调试描述
成功后当前目录下会生成一个test.onnx的模型文件，这样pyTorch训练的模型这块就完成了，接下来就是看看如果用OpenCV的DNN进行推理。
C++ OpenCV推理
C++ OpenCV DNN推理这块代码也很简单，主要就是定义了dnn::Net，然后指定到onnx模型文件的目录，使用readNetfromOnnx加载模型文件。
输入的参数还是用OpenCV的Mat，因为只输入一个参数，所以这里定义的就是1X1，数据类型输入是float的类型，所以定义的也是CV_32F，将Mat传入到输入参数里，net.setInput(Mat值，输入参数名),第二个参数与我们导出的参数名相同，再通过net.forward(输出参数名)得到返回的结果。
代码中我们输入的为1024，所以预测的结果为2048，完全正确，这样一个最简单的pyTorch训练模型转出onnx，然后用C++ OpenCV推理的Demo就完成了。
完
微卡智享
源码地址
https://github.com/Vaccae/OpenCVDemoCpp.git
点击阅读原文可以看到“码云”的代码地址
往期精彩回顾
