为了回答我自己的问题并找到解决方案，我编写了一个简单的c ++解决方案keras2cpp （其代码可在github上找到）。

在此解决方案中，您将存储网络体系结构（在json中）和权重（在hdf5中）。然后，您可以使用提供的脚本将网络转储到纯文本文件。您可以使用纯c ++代码在网络中使用获得的文本文件。 python库或hdf5没有依赖关系。它应该适用于theano和tensorflow后端。

我发现自己处于类似情况，但不仅需要支持C ++中顺序Keras模型的前向传递，而且还需要支持使用功能性API构建的更复杂模型的传递。

所以我写了一个叫做节俭型的新库。您可以在GitHub上找到它，并以MIT许可证发布： https : //github.com/Dobiasd/frugally-deep

除了支持许多常见的图层类型外，它还可以保持（有时甚至超过）TensorFlow在单个CPU上的性能。您可以在repo中找到某些常见模型的最新基准测试结果。

通过自动测试，节俭地保证了在C ++中与之一起使用的模型的输出与在Python中与Keras一起运行时的输出完全相同。

如果您的keras模型是使用tensorflow后端训练的，则可以按照以下代码将keras模型另存为tensorflow模型： https : //github.com/amir-abdi/keras_to_tensorflow

这是代码的简短版本：

from keras import backend as K
from tensorflow.python.framework import graph_util
from tensorflow.python.framework import graph_io

weight_file_path = 'path to your keras model'
net_model = load_model(weight_file_path)
sess = K.get_session()

constant_graph = graph_util.convert_variables_to_constants(sess, sess.graph.as_graph_def(), 'name of the output tensor')
graph_io.write_graph(constant_graph, 'output_folder_path', 'output.pb', as_text=False)
print('saved the constant graph (ready for inference) at: ', osp.join('output_folder_path', 'output.pb'))

我有类似的需求-我想将Keras模型嵌入C ++应用程序中-并决定编写自己的库： Kerasify

Kerasify的设计目标：

• 与图像处理的兼容性Keras使用Theano后端生成的顺序网络。 （如果切换矩阵列/行顺序，则可以与Tensorflow一起使用）。
• 没有外部依赖性，标准库，C ++ 11功能还可以。
• 模型以二进制格式存储在磁盘上，可以快速读取。
• 模型以连续块的形式存储在内存中，以提高缓存性能。
• 不抛出异常，仅在出错时返回布尔值。
• 仅CPU，无GPU

github链接上的示例代码，单元测试等。它并不完全完整，仅支持我正在使用的Keras函数的狭窄子集，但应该可以轻松扩展。

您可以尝试这个https://github.com/gosha20777/keras2cpp

Keras2cpp是一个小型库，用于从C ++应用程序运行经过训练的Keras模型，而没有任何依赖性。

支持的Keras层：-密集-卷积1D-卷积2D-卷积3D-展平-ELU-激活-MaxPooling2D-嵌入-LocallyConnected1D-LocallyConnected2D-LSTM-GRU-CNN-BatchNormalization

支持的激活：-线性-relu-softplus-tanh-Sigmoid-hard_Sigmoid-elu-softsign-softmax

设计目标：

• 与Keras使用TensorFlow后端生成的网络的兼容性。
• 仅CPU。
• 没有外部依赖关系，标准库，C ++ 17。
• 模型存储在内存中。

此处找到的解决方案非常好，但是如果您的模型具有这些库不支持的某些不同类型的图层，则建议您执行以下操作：

• 将Keras模型转换为张量流模型。
• 冻结模型并使用由tensorflow提供的Tranform图形工具（您必须使用bazel从源代码构建模型）
• 编译C ++ API tensorflow库以在项目中使用它。
• 使用C ++ API tensorflow库并将这些库链接到您的项目。

如果要使用与bazel不同的编译器（例如g ++），则可以遵循以下教程：

http://tuatini.me/building-tensorflow-as-a-standalone-project/

最简单的方法可能是对Python脚本进行系统调用，该脚本将预测写入二进制或HDF5文件中，可以从C ++中读取该文件。您还可以将Python直接集成到C ++中 。

如果您需要轻松地部署和分发它，可以考虑使用Anaconda之类的独立Python安装程序，但是最好的选择是避免Keras并使用Caffe或Tensorflow的C ++接口。我不推荐Tensorflow，因为从C ++使用它不是标准的；看到这个讨论 。 Caffe可以说是第二受欢迎的深度学习库，因此您不会错。