CPU：AMD5800 8core 16Thread
GPU：NVIDIA GTX1080Ti
OS：Windows10 专业版
Visual Studio 2019 : .NET SDK 6.0.402(x64)
Windows SDK：Windows 10.0.19041.685
IronPython 是一种在 NET 和 Mono 上实现的 Python 语言，用于将更多的动态语音移植到NET Framework上。
需要从Visual Studio上打开，安装方式：工具-> NuGet包管理器->管理解决方案的NuGet程序包->搜索框输入IronPython ->选择项目后点击安装
CSharpCallPython.cs(C#控制台程序)
using IronPython.Hosting;
using Microsoft.Scripting.Hosting;
using System;
namespace CSharpCallPython
{
class Program
{
static void Main(string[] args)
{
ScriptEngine pyEngine = Python.CreateEngine();//创建Python解释器对象
dynamic py = pyEngine.ExecuteFile(@"test.py");//读取脚本文件
int[] array = new int[9] { 9, 3, 5, 7, 2, 1, 3, 6, 8 };
string reStr = py.main(array);//调用脚本文件中对应的函数
Console.WriteLine(reStr);
Console.ReadKey();
}
}
}
Python文件test.py需要放在项目的bin/Debug也就是生成exe的目录下：
test.py
def main(arr):
try:
arr = set(arr)
arr = sorted(arr)
arr = arr[0:]
return str(arr)
except Exception as err:
return str(err)
ironPython安装包仅适用于python脚本中不包含第三方模块的情况，且需要客户机上有Python环境。
新建一个目录，命名为"mytest2"，在目录mytest2下面先编写一个名为dl.py的python源代码文件:
def str_add(str1, str2):
return int(str1) + int(str2)
函数很简单，就是将两个字符串转换成int后相加。
在目录mytest2下面再编写一个名为run.pyx的PYX文件:
cdef public int str_add(const char* str1,const char* str2):
return int(str1) + int(str2)
这两行的含义是将Python中的def改写为cdef，同时加入public的声明。
之后在conda环境中使用Cython运行run.pyx文件得到两个预编译头文件run.c和run.h：
新建一个C++ 控制台程序，在源文件中新建一个名为DllMain.cpp 的文件，用于生成dll。在Visual Studio的项目栏头文件一列中加入run.c、run.h两个文件：
DllMain.cpp
#include <Python.h>
#include <Windows.h>
#include "run.h"
extern "C"
{
__declspec(dllexport) int __stdcall _str_add(const char* a, const char* b) //声明导出函数，类，对象等供外面使用
{
return str_add(a, b);
}
}
BOOL WINAPI DllMain(HINSTANCE hinstDLL, DWORD fdwReason, LPVOID lpReserved) {
switch (fdwReason) {
case DLL_PROCESS_ATTACH:
Py_Initialize();
PyInit_run(); //dll初始化的时候调用，这是python3的写法，python2改成，initrun()。参见生成的run.h
break;
case DLL_PROCESS_DETACH:
Py_Finalize();
break;
}
return TRUE;
}
其中extern "C"这一部分相当于cpp编译器对.c文件编译时的特殊标识，相当于定义了一个区别于.cpp文件中的str_add函数(如果同名的话)；PyInit_run（）在run.c中有对应的函数定义。
首先选择Release模式，平台选择活动(x64)。
项目->属性->VC++目录->包含目录->中加入Conda虚拟环境的include路径:
项目->属性->VC++目录->库目录->加入Conda虚拟环境的libs路径`:
然后项目属性中链接器->输入->附加依赖项->选择加入Conda虚拟环境的libs路径`：
配置属性->常规->配置类型->选择dll
C/C++->常规->附加包含目录->加入include目录
生成后的dll路径在项目名/x64/Realease中。
新建一个C++控制台项目，建立源文件Demo.cpp用于加载dll做测试。项目同样选择Release模式和**(活动)x64**平台：
Demo.cpp
#include <Windows.h>
#include <iostream>
#include <tchar.h>
using namespace std;
int main()
{
typedef int(*pAdd)(const char* a, const char* b);
// python_to_DLL.dll为你的dll名字，注意修改
HINSTANCE hDLL = LoadLibrary(_T("E:\Fileresipority\project\LeiKe\Demo09\Demo09\Demo08.dll"));
cout << "hDLL:" << hDLL << endl;
if (hDLL)
{
// 获取DLL中需要调用的函数的地址
pAdd pFun = (pAdd)GetProcAddress(hDLL, "_str_add");
cout << "pFun:" << pFun << endl;
const char* stra = "12";
const char* strb = "22";
if (pFun)
{
int i = pFun(stra, strb);
cout << "i = " << i << endl;
}
}
// 调用dll测试
//将字符变成int然后相加
system("pause");
return 0;
}
C/C++->高级->编译为->选择编译为C++代码 :
编译运行后加载dll并输出结果:
实现方式很复杂，并且受python版本、(python/vs)32/64位影响，而且要求用户必须有python运行环境。
AI模型这里使用Paddle框架的PaddleX工具快速训练并生成模型文件(以蔬菜分类为例)，有关PaddleX的使用详见我的《深度学习》专栏。
Test.cs(C#控制台程序)
using System;
using System.Collections;
using System.Diagnostics;
namespace Test
{
class Program
{
static void Main(string[] args)
{
Process p = new Process();
string path = @"E:\Fileresipority\project\LeiKe\Demo02\Demo02\bin\Debug\reset_ipc.py";//待处理python文件的路径，本例中放在debug文件夹下
string sArguments = path;
p.StartInfo.FileName = @"D:\Anaconda\envs\paddle2.2\python.exe"; //PaddleX环境中对应python3.7的安装路径
p.StartInfo.Arguments = sArguments;//python命令的参数
p.StartInfo.UseShellExecute = false;
p.StartInfo.RedirectStandardOutput = true;
p.StartInfo.RedirectStandardInput = true;
p.StartInfo.RedirectStandardError = true;
p.StartInfo.CreateNoWindow = true;
p.Start();//启动进程
Console.WriteLine("执行完毕！");
Console.ReadKey();
}
}
}
reset_ipc.py
import paddle
import paddlex as pdx
from paddlex import transforms as T
# 定义训练和验证时的transforms
# API说明：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/transforms/transforms.md
train_transforms = T.Compose(
[T.RandomCrop(crop_size=224), T.RandomHorizontalFlip(), T.Normalize()])
eval_transforms = T.Compose([
T.ResizeByShort(short_size=256), T.CenterCrop(crop_size=224), T.Normalize()
])
# 定义训练和验证所用的数据集
# API说明：https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/apis/datasets.md
train_dataset = pdx.datasets.ImageNet(
data_dir='../vegetables_cls/',
file_list='../vegetables_cls/train_list.txt',
label_list='../vegetables_cls/labels.txt',
transforms=train_transforms,
shuffle=True)
eval_dataset = pdx.datasets.ImageNet(
data_dir='../vegetables_cls/',
file_list='../vegetables_cls/val_list.txt',
label_list='../vegetables_cls/labels.txt',
transforms=eval_transforms)
# 初始化模型，并进行训练
# 可使用VisualDL查看训练指标，参考https://github.com/PaddlePaddle/PaddleX/blob/develop/docs/visualdl.md
num_classes = len(train_dataset.labels)
model = pdx.cls.MobileNetV3_large(num_classes=num_classes)
# 自定义优化器：使用CosineAnnealingDecay
train_batch_size = 32
num_steps_each_epoch = len(train_dataset) // train_batch_size
num_epochs = 10
scheduler = paddle.optimizer.lr.CosineAnnealingDecay(
learning_rate=.001, T_max=num_steps_each_epoch * num_epochs)
warmup_epoch = 5
warmup_steps = warmup_epoch * num_steps_each_epoch
scheduler = paddle.optimizer.lr.LinearWarmup(
learning_rate=scheduler,
warmup_steps=warmup_steps,
start_lr=0.0,
end_lr=.001)
custom_optimizer = paddle.optimizer.Momentum(
learning_rate=scheduler,
momentum=.9,
weight_decay=paddle.regularizer.L2Decay(coeff=.00002),
parameters=model.net.parameters())
# API说明：https://github.com/PaddlePaddle/PaddleX/blob/95c53dec89ab0f3769330fa445c6d9213986ca5f/paddlex/cv/models/classifier.py#L153
# 各参数介绍与调整说明：https://paddlex.readthedocs.io/zh_CN/develop/appendix/parameters.html
model.train(
num_epochs=num_epochs,
train_dataset=train_dataset,
train_batch_size=train_batch_size,
eval_dataset=eval_dataset,
optimizer=custom_optimizer,
save_dir='output/mobilenetv3_large',
use_vdl=True)
优点：适用于python脚本中包含第三方模块的情况，且执行速度只比在python本身环境中慢一点，步骤也相对简单。
缺点：需要用户有python环境。
使用命令行进行传参取返回值
安装pyInstaller:
pip install pyInstaller
打包训练模型的py文件:
pyInstaller -F reset_ipc.py
打包的过程非常漫长，可见深度学习的python程序非常臃肿。
运行成功后在dist 目录下有reset_ipc.exe文件生成：
Demo02.cs
namespace WpfTest2
{
/// <summary>
/// MainWindow.xaml 的交互逻辑
/// </summary>在这里插入图片描述
public partial class MainWindow : Window
{
public MainWindow()
{
InitializeComponent();
}
private void Button_Click(object sender, RoutedEventArgs e)
{
//string debugPath = System.Environment.CurrentDirectory; //此c#项目的debug文件夹路径
string pyexePath = @"E:\Fileresipority\project\LeiKe\dist\reset_ipc.exe";
//python文件所在路径，一般不使用绝对路径，此处仅作为例子，建议转移到debug文件夹下
Process p = new Process();
p.StartInfo.FileName = pyexePath;//需要执行的文件路径
p.StartInfo.UseShellExecute = false; //必需
p.StartInfo.RedirectStandardOutput = true;//输出参数设定
p.StartInfo.RedirectStandardInput = true;//传入参数设定
p.StartInfo.CreateNoWindow = true;
p.StartInfo.Arguments = "2 3";//参数以空格分隔，如果某个参数为空，可以传入””
p.Start();
string output = p.StandardOutput.ReadToEnd();
p.WaitForExit();//关键，等待外部程序退出后才能往下执行}
Console.Write(output);//输出
p.Close();
}
}
}
打包显示成功了，但运行结果不太理想，事实证明打包深度学习的exe不是很容易：
优点：无需安装python运行环境
缺点：
1、可能是因为要展开exe中包含的python环境，执行速度很慢。
2、因为是命令行传参形式，需要手动传参:。
3、深度学习项目打包困难。