在C++中调用Linux系统下Python生成的动态库so文件或者Tensorflow的pb模型文件，可以使用以下方法：
使用C++的动态链接库（Dynamic Link Library, DLL）机制来加载Python生成的.so文件。这种方法需要先使用Python编写一个包含所需功能的动态库，并将其编译成.so格式。然后在C++中使用dlopen()函数打开该.so文件，再通过dlsym()函数获取其中的函数指针进行调用。
使用Tensorflow C++ API来加载.pb模型文件并执行预测任务。Tensorflow提供了专门的C++ API来支持在C++程序中使用训练好的Tensorflow模型进行推理。通过加载.pb模型文件并创建Session对象，就可以在C++程序中进行预测任务。
具体步骤如下：
- 调用dlopen()函数打开.so文件，例如：
void* handle = dlopen("example.so", RTLD_LAZY);
- 通过dlsym()函数获取.so文件中需要调用的函数指针，例如：
typedef int (*pFunc)(int, char**);
pFunc func = (pFunc)dlsym(handle, "example_func");
- 调用获得到的函数指针，例如：
int ret = func(argc, argv);
- 在使用Tensorflow C++ API时需要先安装对应版本的Tensorflow和Protobuf库，并引入相应头文件和库文件。然后根据.pb模型文件创建GraphDef对象和Session对象，例如：
tensorflow::GraphDef graph_def;
tensorflow::SessionOptions session_options;
session_options.config.mutable_gpu_options()->set_allow_growth(true);
std::unique_ptr<tensorflow::Session> session(tensorflow::NewSession(session_options));
tensorflow::Status status = tensorflow::ReadBinaryProto(tensorflow::Env::Default(), "example.pb", &graph_def);
if (status.ok()) {
status = session->Create(graph_def);
}
- 在创建完成Session对象后，可以使用其Run()函数来进行预测任务，例如：
tensorflow::Tensor input_tensor(tensorflow::DT_FLOAT, tensorflow::TensorShape({1, 2}));
input_tensor.flat<float>().data()[0] = 1.0;
input_tensor.flat<float>().data()[1] = 2.0;
std::vector<tensorflow::Tensor> output_tensors;
status = session->Run({{"input", input_tensor}}, {"output"}, {}, &output_tensors);
float output_value = output_tensors[0].flat<float>().data()[0];
以上是两种常用的方法，在实际应用中需要根据具体情况选择适合的方法。
