本教程将介绍在服务器端部署PaddleClas分类模型的详细步骤，识别模型部署方式将在近期支持，敬请期待。
- Linux 环境，推荐使用 docker。
- Windows 环境，目前支持基于
Visual Studio 2019 Community进行编译；此外，如果您希望通过生成sln解决方案的方式进行编译，可以参考该文档：https://zhuanlan.zhihu.com/p/145446681
- 该文档主要介绍基于 Linux 环境下的 PaddleClas C++ 预测流程，如果需要在 Windows 环境下使用预测库进行 C++ 预测，具体编译方法请参考 Windows下编译教程。
- 首先需要从 opencv 官网上下载在 Linux 环境下源码编译的包，以 3.4.7 版本为例，下载及解压缩命令如下：
wget https://github.com/opencv/opencv/archive/3.4.7.tar.gz
tar -xvf 3.4.7.tar.gz
执行完成上述命令后，会在当前目录下生成 opencv-3.4.7/ 的目录。
- 编译 opencv，首先设置 opencv 源码路径(
root_path)以及安装路径(install_path)，root_path为下载的 opencv 源码路径，install_path为 opencv 的安装路径。在本例中，源码路径即为当前目录下的opencv-3.4.7/。
cd ./opencv-3.4.7
export root_path=$PWD
export install_path=${root_path}/opencv3- 然后在 opencv 源码路径下，按照下面的命令进行编译：
rm -rf build
mkdir build
cd build
cmake .. \
-DCMAKE_INSTALL_PREFIX=${install_path} \
-DCMAKE_BUILD_TYPE=Release \
-DBUILD_SHARED_LIBS=OFF \
-DWITH_IPP=OFF \
-DBUILD_IPP_IW=OFF \
-DWITH_LAPACK=OFF \
-DWITH_EIGEN=OFF \
-DCMAKE_INSTALL_LIBDIR=lib64 \
-DWITH_ZLIB=ON \
-DBUILD_ZLIB=ON \
-DWITH_JPEG=ON \
-DBUILD_JPEG=ON \
-DWITH_PNG=ON \
-DBUILD_PNG=ON \
-DWITH_TIFF=ON \
-DBUILD_TIFF=ON
make -j
make install- 执行完成上述命令后，会生成 opencv 头文件和库文件，用于后面的 PaddleClas 代码编译。
以 opencv3.4.7 版本为例，最终在安装路径下的文件结构如下所示。注意：不同的 opencv 版本，下述的文件结构可能不同。
opencv3/
|-- bin
|-- include
|-- lib64
|-- share
- 有 2 种方式获取 Paddle 预测库，下面进行详细介绍。
如果希望获取最新预测库特性，可以从 GitHub 上克隆 Paddle 最新代码，从源码编译预测库。对于不同平台的编译流程，请参考 Paddle预测库官网 的说明。编译示例如下：
- 使用Git获取源代码：
git clone https://github.com/PaddlePaddle/Paddle.git
cd Paddle- 进入
Paddle目录后，开始进行编译：
rm -rf build
mkdir build
cd build
cmake .. \
-DWITH_CONTRIB=OFF \
-DWITH_MKL=ON \
-DWITH_MKLDNN=ON \
-DWITH_TESTING=OFF \
-DCMAKE_BUILD_TYPE=Release \
-DWITH_INFERENCE_API_TEST=OFF \
-DON_INFER=ON \
-DWITH_PYTHON=ON
make -j
make inference_lib_dist关于编译参数选项可以参考 Paddle C++ 预测库官网：编译选项表。
- 编译完成之后，可以在
./build/paddle_inference_install_dir/文件下看到以下文件及目录：
build/paddle_inference_install_dir/
|-- CMakeCache.txt
|-- paddle
|-- third_party
|-- version.txt
Paddle预测库官网 上提供了不同版本的 Paddle 预测库，包括多个操作系统平台和GPU、CPU等多个硬件平台的预编译库，可以在官网查找并选择合适的预测库版本进行下载，建议选择 2.1.1 版本。
注意：在选择预测库时，所选预测库版本需要与后续编译选项一致：
- CPU 预测库仅可用于 GPU 预测，具体又分为
mkl和openblas，分别对应其低层实现基于MKL数学运算库 和OpenBLAS数学运算库； - GPU 预测库支持 GPU 预测和 CPU 预测，其 GPU 预测功能底层实现基于 CUDA、cuDNN，CPU 预测功能底层基于
MKL实现。
以 manylinux_cuda10.2_cudnn8.1_avx_mkl_trt7_gcc8.2 的 2.1.1 版本为例，可使用下述命令下载并解压：
wget https://paddle-inference-lib.bj.bcebos.com/2.1.1-gpu-cuda10.2-cudnn8.1-mkl-gcc8.2/paddle_inference.tgz
tar -xf paddle_inference.tgz上述命令会在当前目录下生成 paddle_inference/ 目录。
编译命令如下，其中 Paddle C++ 预测库、OpenCV 等依赖库的路径需要根据机器上的实际位置进行修改。
sh tools/build_demo.sh具体地，tools/build_demo.sh中内容如下：
OpenCV_DIR=path/to/opencv
PADDLE_LIB_DIR=path/to/paddle
CUDA_LIB_DIR=path/to/cuda
CUDNN_LIB_DIR=path/to/cudnn
TENSORRT_LIB_DIR=path/to/tensorrt
CONFIG_LIB_PATH=path/to/config/library
CLS_LIB_PATH=path/to/cls/library
CMP_STATIC=ON
BUILD_DIR=build
rm -rf ${BUILD_DIR}
mkdir ${BUILD_DIR}
cd ${BUILD_DIR}
cmake .. \
-DWITH_MKL=ON \
-DWITH_GPU=ON \
-DWITH_TENSORRT=OFF \
-DWITH_STATIC_LIB=OFF \
-DOpenCV_DIR=${OpenCV_DIR} \
-DPADDLE_LIB=${PADDLE_LIB_DIR} \
-DCUDA_LIB=${CUDA_LIB_DIR} \
-DCUDNN_LIB=${CUDNN_LIB_DIR} \
-DCONFIG_LIB=${CONFIG_LIB_PATH} \
-DCLS_LIB=${CLS_LIB_PATH} \
-DCMP_STATIC=OFF \
make -j上述命令中，各个编译选项的具体说明如下：
DWITH_MKL：是否使用 MKL 数学运算库，默认为ON，注意需要与下载的预测库版本一致。如为OpenBLAS版本预测库，则需设置为OFF；DWITH_GPU：使用使用 GPU 预测库，默认为OFF，当下载预测库版本为 GPU 预测库时，可置为ON，同时请设置DCUDA_LIB与DCUDNN_LIB，否则请设置为OFF；DWITH_TENSORRT：是否使用 TensorRT，默认为OFF，当DWITH_GPU设置为ON时有效，同时请设置DTENSORRT_LIB；DWITH_STATIC_LIB：是否使用 Paddle 预测库中的静态链接库，默认为OFF；DOpenCV_DIR：OpenCV 编译库的路径，本例中为opencv-3.4.7/opencv3/share/OpenCV，注意该路径下需要有OpenCVConfig.cmake文件；DPADDLE_LIB：Paddle 预测库路径，一般使用下载并解压的预编译库路径paddle_inference即可，或编译生成的预测库的路径build/paddle_inference_install_dir，注意该路径下需要有paddle和third_party两个子路径；DCUDA_LIB：CUDA 库路径，当DWITH_GPU设置为ON时有效，在 docker 中通常为/usr/local/cuda/lib64；DCUDNN_LIB：cuDNN 库路径，当DWITH_GPU设置为ON时有效，在 docker 中通常为/usr/lib/x86_64-linux-gnu/；DTENSORRT_LIB：TensorRT 库路径，当DWITH_GPU与DUSE_TENSORRT均设置为ON时有效，在 dokcer 中通常为/usr/local/TensorRT6-cuda10.0-cudnn7/；DCONFIG_LIB：如需使用已编译好的config lib，请设置为config lib的路径，否则请删除该选项；DCLS_LIB：如需使用已编译好的cls lib，请设置为cls lib的路径，否则请删除该选项；DCMP_STATIC：是否将config lib和cls lib编译为静态链接库，默认为ON，如需编译为动态链接库，请设置为OFF。
在执行上述命令，编译完成之后，会在当前路径下生成 build 目录，其中有可执行文件 clas_system。并且，如未设置 DCONFIG_LIB 与 DCLS_LIB，则会在 .\lib\ 路径下生成 config lib 和 cls lib 两个库文件，根据 DCMP_STATIC 的设置，两个库文件将被编译为静态链接库（libconfig.a、libcls.a）或动态链接库（libconfig.so、libcls.so）。
除了可以直接编译 demo，也同样可以仅编译 config lib 和 cls lib 预测库，只需运行如下命令：
sh tools/build_lib.sh具体地，tools/build_lib.sh中内容如下：
OpenCV_DIR=path/to/opencv
PADDLE_LIB_DIR=path/to/paddle
BUILD_DIR=./lib/build
rm -rf ${BUILD_DIR}
mkdir ${BUILD_DIR}
cd ${BUILD_DIR}
cmake .. \
-DOpenCV_DIR=${OpenCV_DIR} \
-DPADDLE_LIB=${PADDLE_LIB_DIR} \
-DCMP_STATIC=ON \
make上述命令中，各个编译选项的具体说明如下：
DOpenCV_DIR：OpenCV 编译库的路径，本例中为opencv-3.4.7/opencv3/share/OpenCV，注意该路径下需要有OpenCVConfig.cmake文件；DPADDLE_LIB：Paddle 预测库路径，一般使用下载并解压的预编译库路径paddle_inference即可，或编译生成的预测库的路径build/paddle_inference_install_dir，注意该路径下需要有paddle和third_party两个子路径；DCMP_STATIC：是否将config lib和cls lib编译为静态链接库（.a），默认为ON，如需编译为动态链接库（.so），请设置为OFF。
执行上述命令后，将在目录 ./lib/ 下生成 config lib 和 cls lib 的动态链接库（libcls.so 和 libconfig.so）或静态链接库（libcls.a 和 libconfig.a）。在2.1 编译 PaddleClas C++ 预测 demo中，可以通过指定编译选项 DCLS_LIB 和 DCONFIG_LIB 指定已有链接库的路径，链接库同样也可用于二次开发。
首先需要准备 inference model，关于将模型导出为 inference model 的具体步骤，可以参考 模型导出 文档。假设导出的预测模型文件放在 ./inference 目录下，则目录结构如下。
inference/
|--inference.pdmodel
|--inference.pdiparams
注意：上述文件中，cls_infer.pdmodel 文件存储了模型网络结构信息，cls_infer.pdiparams 文件存储了模型参数权重信息。在运行预测时，注意两个文件的路径需要分别设置为配置文件 tools/config.txt 中的字段 cls_model_path 和 cls_params_path 的值。
首先修改 tools/config.txt 中对应字段：
- use_gpu：是否使用GPU；
- gpu_id：使用的GPU卡号；
- gpu_mem：显存；
- cpu_math_library_num_threads：底层科学计算库所用线程的数量；
- use_mkldnn：是否使用MKLDNN加速；
- use_tensorrt: 是否使用tensorRT进行加速；
- use_fp16：是否使用半精度浮点数进行计算，该选项仅在use_tensorrt为true时有效；
- cls_model_path：预测模型结构文件路径；
- cls_params_path：预测模型参数文件路径；
- resize_short_size：预处理时图像缩放大小；
- crop_size：预处理时图像裁剪后的大小。
然后修改tools/run.sh：
-
./build/clas_system ./tools/config.txt ./docs/imgs/ILSVRC2012_val_00000666.JPEG -
上述命令中分别为：编译得到的可执行文件
clas_system；运行时的配置文件config.txt；待预测的图像。 -
最后执行以下命令，完成对一幅图像的分类。
sh tools/run.sh- 最终屏幕上会输出结果，如下图所示。
其中 class id 表示置信度最高的类别对应的 id，score 表示图片属于该类别的概率。