c++调用pb模型，使用tensorflow编译库

在使用TensorFlow编译库之前，需要先安装TensorFlow和Protocol Buffers（PB）库。

1. 安装TensorFlow

可以通过以下命令来安装TensorFlow：

pip install tensorflow

2. 安装Protocol Buffers（PB）库

可以通过以下命令来安装PB库：

pip install protobuf

3. 编译PB模型

在编译PB模型之前，需要先将模型转换为PB格式。可以使用TensorFlow提供的freeze_graph.py脚本来将模型转换为PB格式：

python freeze_graph.py --input_graph=model.pb --input_checkpoint=model.ckpt --output_graph=frozen_model.pb --output_node_names=output_node_name

其中，model.pb是模型的GraphDef文件，model.ckpt是模型的checkpoint文件，output_node_name是模型输出节点的名称。

接下来，使用TensorFlow提供的tensorflow.python.compiler.tensorrt.convert()函数来编译PB模型：

import tensorflow as tf

# 加载PB模型
with tf.gfile.GFile('frozen_model.pb', "rb") as f:
    graph_def = tf.GraphDef()
    graph_def.ParseFromString(f.read())

# 编译PB模型
trt_graph = tf.python.compiler.tensorrt.convert(
    graph_def,
    max_batch_size=1,
    maximum_cached_engines=1,
    precision_mode="FP16",
    minimum_segment_size=3
)

# 保存编译后的模型
with tf.gfile.GFile('trt_model.pb', "wb") as f:
    f.write(trt_graph.SerializeToString())

其中，max_batch_size表示最大批处理大小，precision_mode表示推理精度，minimum_segment_size表示最小分段大小。

经过编译后，可以使用TensorRT来加速模型的推理。