如何在C程序中加载Python（如SciKit-Learn）训练的机器学习模型？

当然有多种实用的C库和工具能实现这个需求，下面是几种主流方案：

1. TensorFlow Lite C API #

适用于TensorFlow/Keras训练的模型，步骤如下：

• Python端：用tf.lite.TFLiteConverter将训练好的SavedModel或Keras模型转换为.tflite格式。
• C端：调用TensorFlow Lite的C API加载模型、创建解释器并执行推理。

示例C代码片段：

#include "tensorflow/lite/c/c_api.h"

int main() {
  // 加载.tflite模型文件
  const TfLiteModel* model = TfLiteModelCreateFromFile("trained_model.tflite");
  // 创建解释器配置
  TfLiteInterpreterOptions* options = TfLiteInterpreterOptionsCreate();
  // 初始化解释器
  TfLiteInterpreter* interpreter = TfLiteInterpreterCreate(model, options);
  
  // 为张量分配内存
  TfLiteInterpreterAllocateTensors(interpreter);
  
  // 获取输入输出张量指针
  const TfLiteTensor* input_tensor = TfLiteInterpreterGetInputTensor(interpreter, 0);
  TfLiteTensor* output_tensor = TfLiteInterpreterGetOutputTensor(interpreter, 0);
  
  // 填充输入数据（示例为3维特征）
  float input_data[] = {0.5f, 1.2f, 3.1f};
  TfLiteTensorCopyFromBuffer(input_tensor, input_data, sizeof(input_data));
  
  // 执行推理
  TfLiteInterpreterInvoke(interpreter);
  
  // 读取输出结果
  float prediction_result[1];
  TfLiteTensorCopyToBuffer(output_tensor, prediction_result, sizeof(prediction_result));
  
  // 清理资源
  TfLiteInterpreterDelete(interpreter);
  TfLiteInterpreterOptionsDelete(options);
  TfLiteModelDelete(model);
  
  return 0;
}

2. ONNX Runtime C API #

这是兼容性极强的方案，支持PyTorch、Scikit-learn、TensorFlow等多数框架训练的模型：

• Python端：将模型导出为ONNX格式（比如PyTorch用torch.onnx.export，Scikit-learn用skl2onnx库转换）。
• C端：使用ONNX Runtime的C API创建会话，加载.onnx模型并执行推理。

以Scikit-learn模型为例，Python导出代码：

from sklearn.ensemble import RandomForestClassifier
from skl2onnx import convert_sklearn
from skl2onnx.common.data_types import FloatTensorType

# 假设已训练好随机森林模型
model = RandomForestClassifier()
model.fit(X_train, y_train)

# 转换为ONNX格式
initial_type = [("input_features", FloatTensorType([None, X_train.shape[1]]))]
onnx_model = convert_sklearn(model, initial_types=initial_type)

with open("rf_model.onnx", "wb") as f:
    f.write(onnx_model.SerializeToString())

C端通过ONNX Runtime加载该文件即可完成推理。

3. LightGBM/XGBoost原生C API #

如果你的模型是用LightGBM或XGBoost训练的，这两个库本身提供原生C API，无需格式转换：

• Python端：直接保存模型（比如XGBoost用model.save_model("xgb_model.model")）。
• C端：调用对应库的C API加载模型并预测。

示例XGBoost C代码片段：

#include <xgboost/c_api.h>
#include <stdio.h>

int main() {
  BoosterHandle booster;
  // 创建Booster并加载模型
  XGBoosterCreate(NULL, 0, &booster);
  XGBoosterLoadModel(booster, "xgb_model.model");
  
  // 准备输入数据（1个样本，3个特征）
  float input_data[] = {0.8f, 2.3f, 1.1f};
  unsigned int shape[2] = {1, 3};
  DMatrixHandle input_matrix;
  XGDMatrixCreateFromMat(input_data, shape[0], shape[1], 0.0f, &input_matrix);
  
  // 执行预测
  bst_ulong pred_len;
  const float* preds;
  XGBoosterPredict(booster, input_matrix, 0, 0, 0, &pred_len, &preds);
  
  printf("预测结果：%f\n", preds[0]);
  
  // 清理资源
  XGDMatrixFree(input_matrix);
  XGBoosterFree(booster);
  
  return 0;
}

内容的提问来源于stack exchange，提问作者AndreGraveler