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。
The input parameter still uses OpenCV's Mat, because only one parameter is input, so the definition here is 1X1, the data type input is the type of float, so the definition is also CV_32F, and Mat is passed into the input parameter, net.setInput(Mat Value, input parameter name), the second parameter is the same as the parameter name we exported, and then get the returned result through net.forward (output parameter name).
In the code, we input 1024, so the predicted result is 2048, which is completely correct. Such a simple pyTorch training model is transferred to onnx, and then the Demo of C++ OpenCV reasoning is completed.
over
Micro card Zhixiang
source address
https://github.com/Vaccae/OpenCVDemoCpp.git
Click to read the original text to see the code address of "Code Cloud"
Wonderful review of the past
Kotlin uses Select expression in coroutine to select fastest result
C++ OpenCV manually intercepts images for perspective transformation
