linxu tensorflow-1.13.1 C++动态库编译

1、版本要求

版本    Python 版本    编译器    编译工具

tensorflow-1.13.1    2.7、3.3-3.6    GCC 4.8    Bazel 0.19.2

tensorflow-1.12.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.15.0

tensorflow-1.11.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.15.0

tensorflow-1.10.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.15.0

tensorflow-1.9.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.11.0

tensorflow-1.8.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.10.0

tensorflow-1.7.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.10.0

tensorflow-1.6.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.9.0

tensorflow-1.5.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.8.0

tensorflow-1.4.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.5.4

tensorflow-1.3.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.4.5

tensorflow-1.2.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.4.5

tensorflow-1.1.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.4.2

tensorflow-1.0.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.4.2

 

2、编译安装Bazel-0.21.0

TensorFlow要用Bazel来进行构建，所以要先安装Bazel，后面我们编译好动态库后，就可以摆脱Bazel这个依赖了。Bazel官网安装教程：https://docs.bazel.build/versions/master/install-compile-source.html，我这里是按照如下方式操作的，最后输入bazel version命令确认安装成功

wget https://github.com/bazelbuild/bazel/releases/download/0.21.0/bazel-0.21.0-installer-linux-x86_64.sh

chmod +x ./bazel-0.21.0-installer-linux-x86_64.sh

./bazel-0.21.0-installer-linux-x86_64.sh

3、编译TensorFlow-1.31.1

编译libtensorflow_cc.so

git clone 获取tensorflow的源码

git clone https://github.com/tensorflow/tensorflow

cd tensorflow

git checkout r1.13

编译之前，要进行一系列的配置：

./configure

接下来，配置系统会给出各种询问，以确认编译时的配置参数，直接按回车，确认默认值Y（默认值通常就是被大写的选项），下面挑选比较重要的几个参数解释如下：

Do you wish to build TensorFlow with CUDA support? [y/N]: 

No CUDA support will be enabled for TensorFlow.

这个选项是询问是否使用CUDA。CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。如果用户配备有NVIDIA的GPU，可以选择“y”，如果仅使用TensorFlow的CPU版本，回车确认“N”。

Do you wish to build TensorFlow with MPI support? [y/N]: 

No MPI support will be enabled for TensorFlow.

这个选项是询问是否使用MPI。MPI(Message-Passing-Interface 消息传递接口)是实现进程级别的并行程序的通信协议，它通过在进程之间进行消息传递。如果不是基于TensorFlow做并行程序开发，建议回车确认选择默认值“N”。

Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native]:

这个选项是指定CPU编译优化选项。默认值就是“-march=native”。这里“m”表示“machine（机器）”，“arch”就是“architecture”简写。“march”合在一起表示机器的结构，如果选择“-march=native”，则表示选择本地（native）CPU，如果本地CPU比较高级，就可以支持SSE4.2、AVX等选项。这里建议选择默认值。

编译过程中可能会报错"no such package '@png_archive//"，建议在编译之前运行如下命令：

yum install -y patch

编译C++ API所需的库，期间Bazel需要联网下载许多依赖，时间有点长：

bazel build --config=opt //tensorflow:libtensorflow_cc.so

编译正常完成后，会在bazel-bin/tensorflow/文件夹下生产libtensorflow_cc.so和libtensorflow_framework.so这两个动态库文件。

4、编译Protobuf和Eigen

这个步骤中需要运行autogen.sh，在此之前得 yum install autoconf automake libtool

yum install autoconf   

yum install automake

yum install libtool

# protobuf

mkdir /tmp/proto

./tensorflow/contrib/makefile/download_dependencies.sh

cd tensorflow/contrib/makefile/downloads/protobuf/

./autogen.sh

./configure --prefix=/tmp/proto/

make

make install

 

# eigen

mkdir /tmp/eigen

cd ../eigen

mkdir build_dir

cd build_dir

cmake -DCMAKE_INSTALL_PREFIX=/tmp/eigen/ ../

make install

cd ../../../../../..

————————————————

5、整理库文件和头文件

库文件

mkdir -p ../tf_test/lib

cp bazel-bin/tensorflow/libtensorflow_cc.so ../tf_test/lib/

cp bazel-bin/tensorflow/libtensorflow_framework.so ../tf_test/lib/  # 之前编译r0.12和r1.3版本的库，只需要libtensorflow_cc.so，1.4版本的似乎分成了两个so文件，即还需要libtensorflow_framework.so

cp /tmp/proto/lib/libprotobuf.a ../tf_test/lib/

头文件

mkdir -p ../tf_test/include/tensorflow

cp -r bazel-genfiles/* ../tf_test/include/

cp -r tensorflow/cc ../tf_test/include/tensorflow

cp -r tensorflow/core ../tf_test/include/tensorflow

cp -r third_party ../tf_test/include

cp -r /tmp/proto/include/* ../tf_test/include

cp -r /tmp/eigen/include/eigen3/* ../tf_test/include

————————————————

6、测试

准备好库文件和相应的头文件后，可以编译测试示例:

示例代码tf_test/test.cc:

#include "tensorflow/cc/client/client_session.h"

#include "tensorflow/cc/ops/standard_ops.h"

#include "tensorflow/core/framework/tensor.h"

 

int main() {

  using namespace tensorflow;

  using namespace tensorflow::ops;

  Scope root = Scope::NewRootScope();

  // Matrix A = [3 2; -1 0]

  auto A = Const(root, { {3.f, 2.f}, {-1.f, 0.f}});

  // Vector b = [3 5]

  auto b = Const(root, { {3.f, 5.f}});

  // v = Ab^T

  auto v = MatMul(root.WithOpName("v"), A, b, MatMul::TransposeB(true));

  std::vector outputs;

  ClientSession session(root);

  // Run and fetch v

  TF_CHECK_OK(session.Run({v}, &outputs));

  // Expect outputs[0] == [19; -3]

  LOG(INFO)

本网站所收集的部分公开资料来源于AI生成和互联网，转载的目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。