| Linux环境下编译TensorFlow C++ API和测试方法总结（完美版） | 您所在的位置：网站首页 › tensorflow 编译 whl › Linux环境下编译TensorFlow C++ API和测试方法总结（完美版） |
Linux环境下编译TensorFlow C++ API和测试方法总结（完美版）
|
目录 前言 1、软件下载 2、不同平台版本对应要求 3、环境配置 4、配置TensorFlow安装选项 5、使用bazel进行编译生成动态库 6、编译其他依赖 7、测试一：简单测试编译好的TensorFlow C++ API 8、测试二：Tensorflow C++ API调用Python预训练模型 前言TensorFlow C++ API的编译是线上使用TensorFlow C++ API调用预先训练好的模型完成预测项目的必经之路，但是TensorFlow C++ API的编译并不是这么顺利，期间遇到了很多错误，它对版本要求非常严格，版本不对应会出现很多问题，尤其protobuf是最重要的一个。本篇是记录TensorFlow C++ API顺利编译和测试的过程，为线上使用TensorFlow C++ API的使用打下基础。 1、软件下载（1）tensorflow-1.13.1源码（tensorflow 1.13.1） （2）bazel-0.19.2-installer-linux-x86_64.sh（bazel-0.19.2-installer-linux-x86_64.sh） （3）Anaconda3-4.3.1-Linux-x86_64.sh（Anaconda3-4.3.1-Linux-x86_64.sh） （4）protobuf-2.6.1.tar.gz（protobuf-2.6.1.tar.gz） 2、不同平台版本对应要求注意：TensorFlow C++ API的编译对于bazel等工具的对应版本有要求，版本需要匹配，不然会有很多想不到的错误。 （1）Windows-CPU 版本Python 版本编译器编译工具tensorflow-1.13.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.12.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.11.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.10.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.9.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.8.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.7.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.6.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.5.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.4.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.3.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.2.03.5-3.6MSVC 2015 update 3Cmake v3.6.3tensorflow-1.1.03.5MSVC 2015 update 3Cmake v3.6.3tensorflow-1.0.03.5MSVC 2015 update 3Cmake v3.6.3（2）Linux-CPU 版本Python 版本编译器编译工具tensorflow-1.13.12.7、3.3-3.6GCC 4.8Bazel 0.19.2tensorflow-1.12.02.7、3.3-3.6GCC 4.8Bazel 0.15.0tensorflow-1.11.02.7、3.3-3.6GCC 4.8Bazel 0.15.0tensorflow-1.10.02.7、3.3-3.6GCC 4.8Bazel 0.15.0tensorflow-1.9.02.7、3.3-3.6GCC 4.8Bazel 0.11.0tensorflow-1.8.02.7、3.3-3.6GCC 4.8Bazel 0.10.0tensorflow-1.7.02.7、3.3-3.6GCC 4.8Bazel 0.10.0tensorflow-1.6.02.7、3.3-3.6GCC 4.8Bazel 0.9.0tensorflow-1.5.02.7、3.3-3.6GCC 4.8Bazel 0.8.0tensorflow-1.4.02.7、3.3-3.6GCC 4.8Bazel 0.5.4tensorflow-1.3.02.7、3.3-3.6GCC 4.8Bazel 0.4.5tensorflow-1.2.02.7、3.3-3.6GCC 4.8Bazel 0.4.5tensorflow-1.1.02.7、3.3-3.6GCC 4.8Bazel 0.4.2tensorflow-1.0.02.7、3.3-3.6GCC 4.8Bazel 0.4.2（3）MacOS-CPU 版本Python 版本编译器编译工具tensorflow-1.13.12.7、3.3-3.6XCode 中的 ClangBazel 0.19.2tensorflow-1.12.02.7、3.3-3.6XCode 中的 ClangBazel 0.15.0tensorflow-1.11.02.7、3.3-3.6XCode 中的 ClangBazel 0.15.0tensorflow-1.10.02.7、3.3-3.6XCode 中的 ClangBazel 0.15.0tensorflow-1.9.02.7、3.3-3.6XCode 中的 ClangBazel 0.11.0tensorflow-1.8.02.7、3.3-3.6XCode 中的 ClangBazel 0.10.1tensorflow-1.7.02.7、3.3-3.6XCode 中的 ClangBazel 0.10.1tensorflow-1.6.02.7、3.3-3.6XCode 中的 ClangBazel 0.8.1tensorflow-1.5.02.7、3.3-3.6XCode 中的 ClangBazel 0.8.1tensorflow-1.4.02.7、3.3-3.6XCode 中的 ClangBazel 0.5.4tensorflow-1.3.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.5tensorflow-1.2.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.5tensorflow-1.1.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.2tensorflow-1.0.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.2（4） Windows-GPU 版本Python 版本编译器编译工具cuDNNCUDAtensorflow_gpu-1.13.03.5-3.6MSVC 2015 update 3Bazel 0.15.079tensorflow_gpu-1.12.03.5-3.6MSVC 2015 update 3Bazel 0.15.079tensorflow_gpu-1.11.03.5-3.6MSVC 2015 update 3Bazel 0.15.079tensorflow_gpu-1.10.03.5-3.6MSVC 2015 update 3Cmake v3.6.379tensorflow_gpu-1.9.03.5-3.6MSVC 2015 update 3Cmake v3.6.379tensorflow_gpu-1.8.03.5-3.6MSVC 2015 update 3Cmake v3.6.379tensorflow_gpu-1.7.03.5-3.6MSVC 2015 update 3Cmake v3.6.379tensorflow_gpu-1.6.03.5-3.6MSVC 2015 update 3Cmake v3.6.379tensorflow_gpu-1.5.03.5-3.6MSVC 2015 update 3Cmake v3.6.379tensorflow_gpu-1.4.03.5-3.6MSVC 2015 update 3Cmake v3.6.368tensorflow_gpu-1.3.03.5-3.6MSVC 2015 update 3Cmake v3.6.368tensorflow_gpu-1.2.03.5-3.6MSVC 2015 update 3Cmake v3.6.35.18tensorflow_gpu-1.1.03.5MSVC 2015 update 3Cmake v3.6.35.18tensorflow_gpu-1.0.03.5MSVC 2015 update 3Cmake v3.6.35.18（5）Linux-GPU 版本Python 版本编译器编译工具cuDNNCUDAtensorflow_gpu-1.13.12.7、3.3-3.6GCC 4.8Bazel 0.19.27.410.0tensorflow_gpu-1.12.02.7、3.3-3.6GCC 4.8Bazel 0.15.079tensorflow_gpu-1.11.02.7、3.3-3.6GCC 4.8Bazel 0.15.079tensorflow_gpu-1.10.02.7、3.3-3.6GCC 4.8Bazel 0.15.079tensorflow_gpu-1.9.02.7、3.3-3.6GCC 4.8Bazel 0.11.079tensorflow_gpu-1.8.02.7、3.3-3.6GCC 4.8Bazel 0.10.079tensorflow_gpu-1.7.02.7、3.3-3.6GCC 4.8Bazel 0.9.079tensorflow_gpu-1.6.02.7、3.3-3.6GCC 4.8Bazel 0.9.079tensorflow_gpu-1.5.02.7、3.3-3.6GCC 4.8Bazel 0.8.079tensorflow_gpu-1.4.02.7、3.3-3.6GCC 4.8Bazel 0.5.468tensorflow_gpu-1.3.02.7、3.3-3.6GCC 4.8Bazel 0.4.568tensorflow_gpu-1.2.02.7、3.3-3.6GCC 4.8Bazel 0.4.55.18tensorflow_gpu-1.1.02.7、3.3-3.6GCC 4.8Bazel 0.4.25.18tensorflow_gpu-1.0.02.7、3.3-3.6GCC 4.8Bazel 0.4.25.18（6）MacOS-GPU 版本Python 版本编译器编译工具cuDNNCUDAtensorflow_gpu-1.1.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.25.18tensorflow_gpu-1.0.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.25.18 3、环境配置（1）安装Anaconda /mnt/f/linux$ ./Anaconda3-4.3.1-Linux-x86_64.sh安装过程中如果忘记将Anaconda添加环境变量，请使用以下方法添加环境变量。 方法一： 将Anaconda添加环境变量（该方法退出Linux重启后无效） $ export PATH=/home/asialee/anaconda3/bin:$PATH $ source ~/.bashrc方法二：将Anaconda永久添加环境变量（该方法退出Linux重启后仍有效，配置稍微麻烦点） $sudo vim /etc/profile然后在打开的profile文本最后一行添加：export PATH=~/anaconda3/bin:$PATH 最后注入环境变量，让其立即生效，重启也有效 source /etc/profile添加环境变量完成后，输入python后得到显示，即配置完成。 （2）安装部分软件 安装bazel或者以下编译操作可能需要安装的部分软件如下： $ sudo apt install unzip $ sudo apt install make $ sudo apt install g++ $ sudo apt install gcc $ sudo apt install cmake sudo apt-get install autoconf sudo apt-get install automake sudo apt-get install libtool sudo apt install curl（used to download gmock） sudo apt-get install zlib1g-dev sudo apt-get install liblzma-dev如果安装不成功，则需要更新sudo后再尝试安装，即：sudo apt update。 （3）安装bazel $ ./bazel-0.19.2-installer-linux-x86_64.sh --user（4）安装protobuf protobuf是最重要的一个，对版本要求非常严格，版本不对应会出现很多问题；本次使用的版本是protobuf 2.6.1，比较稳定。 解压protobuf-2.6.1.tar.gz /mnt/f/linux$ tar -zxvf protobuf-2.6.1.tar.gz进入解压后的protobuf-2.6.1文件目录，执行以下命令 /mnt/f/linux/protobuf-2.6.1$ ./configure /mnt/f/linux/protobuf-2.6.1$ make /mnt/f/linux/protobuf-2.6.1$ make install注意：如果输入make install 时会出现make: *** [install-recursive] Error 1问题，则输入sudo make install 即可解决。 方法一：将protobuf加入环境变量（该方法重启后无效） $ export LD_LIBRARY_PATH=/usr/local/lib方法二： 将protobuf永久加入环境变量（重启后仍有效） $sudo vim /etc/profile然后在打开的profile文本最后一行添加：export LD_LIBRARY_PATH=/usr/local/lib最后注入环境变量，让其立即生效，重启也有效：source /etc/profile查看版本以验证安装 $ protoc --version 4、配置TensorFlow安装选项进入源码根目录，运行 ./configure 进行配置。可参考 官网 -> Build from source -> View sample configuration session 设置，如果只需要配置cpu环境就一直回车。 /mnt/f/linux/tensorflow-1.13.1$ ./configure 5、使用bazel进行编译生成动态库#编译C++ API，生成.so文件，Tensorflow调用CUDA /mnt/f/linux/tensorflow-1.13.1$ bazel build --config=opt --config=cuda //tensorflow:libtensorflow_cc.so#编译C++ API，生成.so文件，Tensorflow不调用CUDA /mnt/f/linux/tensorflow-1.13.1$ bazel build --config=opt //tensorflow:libtensorflow_cc.so等待编译大约半个多小时，就成功编译：
编译成功后，tensorflow-1.13.1目录下会出现 bazel-xxx 的几个文件，在tensorflow-1.13.1/bazel-bin/tensorflow文件下会出现 libtensorflow_cc.so 和 libtensorflow_framework.so 动态库文件。（动态库文件下载）
执行成功后，在tensorflow-1.13.1/tensorflow/contrib/makefile目录下：downloads文件夹下存放第三方依赖的一些头文件和静态库，比如nsync、Eigen、protobuf等。 说明：Eigen 是一个高层次的C ++库，有效支持线性代数，矩阵和矢量运算，数值分析及其相关的算法；Protocol Buffers （简称 Protobuf）是 Google 开源的一款跨语言，跨平台，扩展性好的序列化工具，相比于 XML 和 JSON 等流行的编码格式，这种数据结构化语言需要使用protoc进行编译。 7、测试一：简单测试编译好的TensorFlow C++ API（1）创建一个demo文件夹，demo文件夹下具体内容目录如下 ├── src | └── test.cpp ├── CMakeLists.txt其中，test.cpp为C++测试代码，具体如下： #include #include #include using namespace std; using namespace tensorflow; int main() { Session* session; Status status = NewSession(SessionOptions(), &session); if (!status.ok()) { cout Run( {{ graph_def.saver_def().filename_tensor_name(), checkpointPathTensor },}, {}, {graph_def.saver_def().restore_op_name()}, nullptr); if (!status.ok()) { throw runtime_error("Error loading checkpoint from " + checkpointPath + ": " + status.ToString()); } // 构造模型的输入，相当与python版本中的feed std::vector input; tensorflow::TensorShape inputshape; inputshape.InsertDim(0,1); Tensor a(tensorflow::DT_INT32,inputshape); Tensor b(tensorflow::DT_INT32,inputshape); auto a_map = a.tensor(); a_map(0) = 2; auto b_map = b.tensor(); b_map(0) = 3; input.emplace_back(std::string("a"), a); input.emplace_back(std::string("b"), b); // 运行模型，并获取输出 std::vector answer; status = session->Run(input, {"res"}, {}, &answer); Tensor result = answer[0]; auto result_map = result.tensor(); cout |
【本文地址】