如何将Python TensorFlow Session Run调用转为C++ API实现

首先，先明确你Python代码的核心逻辑：给image_tensor喂入image_np_expanded数据，然后获取detection_boxes、detection_scores、detection_classes、num_detections这四个张量的计算结果。接下来我们对应C++ API的Session::Run方法，一步步实现等价逻辑。

先拆解C++ Session::Run的参数含义 #

你提到的C++方法签名：

virtual Status Run(const std::vector<std::pair<std::string, tensorflow::Tensor>>& inputs,
                   const std::vector<std::string>& output_tensor_names,
                   const std::vector<std::string>& target_node_names,
                   std::vector<tensorflow::Tensor>* outputs) = 0;

每个参数对应Python代码的逻辑：

• inputs：对应Python里的feed_dict，是一组「张量名称-Tensor对象」的键值对，用来给图中的输入张量喂数据
• output_tensor_names：对应Python里你要获取的张量列表，传入这些张量的名称字符串即可
• target_node_names：如果你不需要额外执行某些操作节点（比如训练op），这里传空向量就行
• outputs：用来接收计算结果的Tensor数组，顺序和output_tensor_names完全对应

具体实现代码示例 #

下面是完整的等价实现步骤：

1. 准备输入Tensor
   首先把你的图像数据（对应Python里的image_np_expanded）转换成TensorFlow C++的Tensor对象，要注意形状和类型和Python里的image_tensor匹配（从你的输出看是uint8类型，形状(?, ?, ?, 3)，实际喂入的应该是(1, height, width, 3)的批量数据）：

   // 假设你已经有了图像数据，比如存放在uint8类型的数组里，height/width是图像尺寸
   tensorflow::Tensor input_tensor(tensorflow::DT_UINT8, tensorflow::TensorShape({1, height, width, 3}));
   // 把图像数据拷贝到tensor的内存中
   auto input_tensor_mapped = input_tensor.tensor<uint8, 4>();
   // 这里根据你的图像数据格式完成拷贝，比如：
   for (int y = 0; y < height; ++y) {
       for (int x = 0; x < width; ++x) {
           input_tensor_mapped(0, y, x, 0) = image_data[y*width*3 + x*3];     // R通道
           input_tensor_mapped(0, y, x, 1) = image_data[y*width*3 + x*3 + 1]; // G通道
           input_tensor_mapped(0, y, x, 2) = image_data[y*width*3 + x*3 + 2]; // B通道
       }
   }
   

2. 构造Run方法的参数

   // 输入：对应Python的feed_dict={image_tensor: image_np_expanded}
   std::vector<std::pair<std::string, tensorflow::Tensor>> inputs = {
       {"image_tensor:0", input_tensor}
   };
   
   // 输出张量名称：对应Python里要获取的四个张量
   std::vector<std::string> output_names = {
       "detection_boxes:0",
       "detection_scores:0",
       "detection_classes:0",
       "num_detections:0"
   };
   
   // 接收结果的容器
   std::vector<tensorflow::Tensor> outputs;
   

3. 调用Session::Run并检查状态

   tensorflow::Status status = session->Run(inputs, output_names, {}, &outputs);
   if (!status.ok()) {
       std::cerr << "Run failed: " << status.ToString() << std::endl;
       return; // 处理错误
   }
   

4. 获取结果
   现在outputs里的元素顺序和output_names对应：

   // outputs[0] 对应 detection_boxes
   tensorflow::Tensor& boxes = outputs[0];
   // outputs[1] 对应 detection_scores
   tensorflow::Tensor& scores = outputs[1];
   // outputs[2] 对应 detection_classes
   tensorflow::Tensor& classes = outputs[2];
   // outputs[3] 对应 num_detections
   tensorflow::Tensor& num = outputs[3];
   
   // 可以进一步取出张量里的数据，比如打印num_detections的值：
   std::cout << "num_detections: " << num.scalar<float>() << std::endl;
   

注意事项 #

• 张量名称要和Python里输出的完全一致（比如"image_tensor:0"，末尾的:0是张量的输出索引，不能省略）
• 输入Tensor的形状、数据类型必须和图中定义的image_tensor完全匹配，否则会报错
• 记得在使用Session前要先加载模型（比如用ReadBinaryProto读取pb模型文件，然后创建Session）

内容的提问来源于stack exchange，提问作者codepro