利用libtorchPytorch模型部署到C++上

将 PyTorch 模型部署到 C 上需要以下步骤：

1. 将 PyTorch 模型转换为 C 可以使用的模型格式，比如 ONNX 或者 TorchScript。

2. 使用 C++ 代码加载模型并进行推理。

以下是具体步骤：

1. 将 PyTorch 模型转换为 ONNX 或者 TorchScript 格式。ONNX 是一种可移植的模型格式，支持多种深度学习框架，包括 PyTorch。TorchScript 是 PyTorch 的一种模型格式，它将 PyTorch 模型转换为 Python-independent 的可执行的 TorchScript 代码。您可以使用 torch.onnx.export() 函数将 PyTorch 模型转换为 ONNX 格式，也可以使用 torch.jit.script() 函数将 PyTorch 模型转换为 TorchScript 格式。

2. 使用 C++ 代码加载 ONNX 或者 TorchScript 模型，并进行推理。您可以使用 ONNX Runtime 或者 LibTorch 来加载 ONNX 或者 TorchScript 模型并进行推理。ONNX Runtime 是一个跨平台的推理引擎，支持多种硬件和系统平台。LibTorch 是 PyTorch 的 C++ 库，它提供了一个 C++ 接口，可以方便地加载和使用 PyTorch 模型。

以下是一个使用 LibTorch 加载 TorchScript 模型并进行推理的示例代码：

#include <torch/script.h> // include the LibTorch library header

int main() {
    // load the TorchScript model
    torch::jit::script::Module module = torch::jit::load("model.pt");

    // create a tensor for input
    torch::Tensor input = torch::ones({1, 3, 224, 224});

    // run the model and get the output tensor
    torch::Tensor output = module.forward({input}).toTensor();

    // print the output tensor
    std::cout << output << std::endl;

    return 0;
}

请注意，加载 TorchScript 模型需要使用 LibTorch 库。您需要在编译时链接 LibTorch 库，并将 LibTorch 头文件路径添加到您的编译器搜索路径中。