友情提示：
- 阅读本文需要您已经掌握Pytorch的Python用法，并掌握C++语言。
- 推荐使用Ubuntu/Mac系统实验（cmake可以自动找到已安装的opencv）。
- 本实验需要已安装好opencv和pytorch 1.0，C++编译环境（Ubuntu需要g++，Mac需要XCode）和cmake。
Pytorch 1.0已经于近日推出，其中一个亮点功能是支持将python训练的模型导出到C++进行推理。相比于目前流行的caffe训练模型+opencv dnn模块推理，pytorch从Python训练到C++部署提供了一体化的方案，可谓攻城狮的福音。
Python导出模型
根据Pytorch官网教程，我们先导出残差网络Resnet18的模型和预训练权重：
# coding=utf-8
import torch
import torchvision
from torchvision import transforms
from PIL import Image
import json
import cv2
# 初始化模型
model = torchvision.models.resnet18(pretrained=True)
model.eval() #将模型置为推理状态
# 随机生成一个输入张量
example = torch.rand(1, 3, 224, 224)
# 利用跟踪数据流的方法生成导出模型
traced_script_module = torch.jit.trace(model, example)
output = traced_script_module(torch.ones(1, 3, 224, 224))
print output.shape
print output[0, :5]
traced_script_module.save("model.pt")这样在当前目录下会生成一个model.pt文件，包含了模型定义和权重。