1．将bgr转rgb
opencv 默认读进去的是bgr的顺序，需处理成rgb顺序。
Python处理：
img = img[:, :, (2, 1, 0)]
C++处理:
cv::cvtColor(testimg, testimg, CV_BGR2RGB);
2．图像矩阵变换
1）opencv读入图片的矩阵格式是：（height,width,channels），是一个channel last的三维矩阵，即（高度，宽度，通道）。
而在深度学习中，因为要对不同通道应用卷积，所以会采取另一种方式：channel first，即（channels,height,width）。为了应对该要求，可以这么做：
print(img.shape)
img = img.transpose(2,0,1)
print(img.shape)
输出：
（480,640,3）
（3,480,640）
2）在深度学习搭建CNN时，往往要做相应的图像数据处理，比如图像要扩展维度，比如扩展成（batch_size,channels,height,width）。对于这种要求，可以这么做：
img = np.expand_dims(img, axis=0)
print(img.shape)
输出：
（1,3,480,640）
对应的c++代码为：
auto img_tensor = torch::from_blob(testimg.data, { 1,480,640, 3 }, torch::kFloat32);
img_tensor = img_tensor.permute({ 0,3,1,2 });
3. c++ model forward返回值
返回类型为 torch::jit::IValue
torch::jit::IValue result = module->forward(inputs);
如果只有一个返回值，可以直接转tensor：
auto outputs = module->forward(inputs).toTensor();
注意，如果有多个返回值，需要先转tuple：
auto outputs = module->forward(inputs).toTuple();
torch::Tensor out1 = outputs->elements()[0].toTensor();
torch::Tensor out2 = outputs→elements()[1].toTensor();
4.使用GPU
把model和inputs都放到gpu上：
std::shared_ptr<torch::jit::script::Module> module = torch::jit::load(argv[2]);
//put to cuda
module->to(at::kCUDA);
// 注意是把tensor放到gpu，而不是vector<torch::jit::IValue>
std::vector<torch::jit::IValue> inputs;
image_tensor.to(at::kCUDA)
inputs.push_back(image_tensor)
可以指定 GPU id： to(torch::Device(torch::kCUDA, id))
