可以使用自己的yolov5权重，原版libtorch的detectors.h和detector.cpp，main.cpp要修改方可使用

基于C++开发的resnet算法内含模型可以直接部署， 需要libtorch框架

c++编写的CNN算法内含数据集以及训练预测源码

c++编写的rnn算法内含训练与预测脚本 推荐C++开发深度学习算法的学习

策略梯度(Policy Gradient, PG)方法的核心思想在于是能获得更好的回报的动作的采样概率不断提高，使获得更少回报的动作的采样概率不断降低，从而达到一个最优的策略。

libtorch 环境配置.zip

Unet训练和libtorch部署代码: 1、训练部分 2、libtorch部署方法

内容：vs+libtorch（环境配置以及部署），包含batch推理，FP16推理。 适合人群：libtorch初学者，模型部署应用者， 使用场景：工业缺陷检查或学生学习

libtorch的vs2017 64位 release 的C++开发包,平台集v141。include配置【libtorch\include ；libtorch\include\torch\csrc\api\include】；lib配置【libtorch\lib ； caffe2_detectron_ops.lib、caffe2_module_test_dynamic.lib、torch.lib、torch_cpu.lib、c10.lib、fbgemm.lib、cpuinfo.lib、clog.lib、libprotoc.lib、libprotobuf.lib、mkldnn.lib、libprotobuf-lite.lib、asmjit.lib】；属性->C/C++ ->常规->SDL检查->否；属性->C/C++ ->语言->符号(合)模式->否； 测试例程： #include #include struct Net : torch::nn::Module { Net(int64_t N, int64_t M) { W = register_parameter("W", torch::randn({ N, M })); b = register_parameter("b", torch::randn(M)); } torch::Tensor forward(torch::Tensor input) { return torch::addmm(b, input, W); } torch::Tensor W, b; }; int main() { std::cout << "Hello World!\n"; torch::Tensor tensor = torch::eye(3);// torch::eye(3); std::cout << tensor << std::endl; Net net(4, 5); for (const auto& p : net.parameters()) { std::cout << p << std::endl; } system("PAUSE"); }

libtorch 1.5.1 cpu版本 libtorch-win-shared-with-deps-1.5.1+cpu.zip