Linux環境下編譯TensorFlow C++ API和測試方法總結（完美版）

原創 Asia-Lee 2020-06-28 22:26

目錄

前言

1、軟件下載

2、不同平臺版本對應要求

3、環境配置

4、配置TensorFlow安裝選項

5、使用bazel進行編譯生成動態庫

6、編譯其他依賴

7、測試一：簡單測試編譯好的TensorFlow C++ API

8、測試二：Tensorflow C++ API調用Python預訓練模型

前言

TensorFlow C++ API的編譯是線上使用TensorFlow C++ API調用預先訓練好的模型完成預測項目的必經之路，但是TensorFlow C++ API的編譯並不是這麼順利，期間遇到了很多錯誤，它對版本要求非常嚴格，版本不對應會出現很多問題，尤其protobuf是最重要的一個。本篇是記錄TensorFlow C++ API順利編譯和測試的過程，爲線上使用TensorFlow C++ API的使用打下基礎。

1、軟件下載

（1）tensorflow-1.13.1源碼（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、不同平臺版本對應要求

注意：TensorFlow C++ API的編譯對於bazel等工具的對應版本有要求，版本需要匹配，不然會有很多想不到的錯誤。

（1）Windows-CPU

版本 Python 版本 編譯器 編譯工具
tensorflow-1.13.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.12.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.11.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.10.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.9.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.8.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.7.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.6.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.5.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.4.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.3.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.2.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.1.0 3.5 MSVC 2015 update 3 Cmake v3.6.3
tensorflow-1.0.0 3.5 MSVC 2015 update 3 Cmake v3.6.3

（2）Linux-CPU

版本 Python 版本 編譯器 編譯工具
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

 （3）MacOS-CPU

版本 Python 版本 編譯器 編譯工具
tensorflow-1.13.1 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.19.2
tensorflow-1.12.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.15.0
tensorflow-1.11.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.15.0
tensorflow-1.10.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.15.0
tensorflow-1.9.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.11.0
tensorflow-1.8.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.10.1
tensorflow-1.7.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.10.1
tensorflow-1.6.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.8.1
tensorflow-1.5.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.8.1
tensorflow-1.4.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.5.4
tensorflow-1.3.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.4.5
tensorflow-1.2.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.4.5
tensorflow-1.1.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.4.2
tensorflow-1.0.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.4.2

（4） Windows-GPU

版本 Python 版本 編譯器 編譯工具 cuDNN CUDA
tensorflow_gpu-1.13.0 3.5-3.6 MSVC 2015 update 3 Bazel 0.15.0 7 9
tensorflow_gpu-1.12.0 3.5-3.6 MSVC 2015 update 3 Bazel 0.15.0 7 9
tensorflow_gpu-1.11.0 3.5-3.6 MSVC 2015 update 3 Bazel 0.15.0 7 9
tensorflow_gpu-1.10.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
tensorflow_gpu-1.9.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
tensorflow_gpu-1.8.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
tensorflow_gpu-1.7.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
tensorflow_gpu-1.6.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
tensorflow_gpu-1.5.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
tensorflow_gpu-1.4.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 6 8
tensorflow_gpu-1.3.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 6 8
tensorflow_gpu-1.2.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 5.1 8
tensorflow_gpu-1.1.0 3.5 MSVC 2015 update 3 Cmake v3.6.3 5.1 8
tensorflow_gpu-1.0.0 3.5 MSVC 2015 update 3 Cmake v3.6.3 5.1 8

（5）Linux-GPU

版本 Python 版本 編譯器 編譯工具 cuDNN CUDA
tensorflow_gpu-1.13.1 2.7、3.3-3.6 GCC 4.8 Bazel 0.19.2 7.4 10.0
tensorflow_gpu-1.12.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.15.0 7 9
tensorflow_gpu-1.11.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.15.0 7 9
tensorflow_gpu-1.10.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.15.0 7 9
tensorflow_gpu-1.9.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.11.0 7 9
tensorflow_gpu-1.8.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.10.0 7 9
tensorflow_gpu-1.7.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.9.0 7 9
tensorflow_gpu-1.6.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.9.0 7 9
tensorflow_gpu-1.5.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.8.0 7 9
tensorflow_gpu-1.4.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.5.4 6 8
tensorflow_gpu-1.3.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.4.5 6 8
tensorflow_gpu-1.2.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.4.5 5.1 8
tensorflow_gpu-1.1.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.4.2 5.1 8
tensorflow_gpu-1.0.0 2.7、3.3-3.6 GCC 4.8 Bazel 0.4.2 5.1 8

（6）MacOS-GPU

版本 Python 版本 編譯器 編譯工具 cuDNN CUDA
tensorflow_gpu-1.1.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.4.2 5.1 8
tensorflow_gpu-1.0.0 2.7、3.3-3.6 XCode 中的 Clang Bazel 0.4.2 5.1 8

3、環境配置

（1）安裝Anaconda

/mnt/f/linux$ ./Anaconda3-4.3.1-Linux-x86_64.sh

安裝過程中如果忘記將Anaconda添加環境變量，請使用以下方法添加環境變量。

方法一： 將Anaconda添加環境變量（該方法退出Linux重啓後無效）

$ export PATH=/home/asialee/anaconda3/bin:$PATH
$ source ~/.bashrc

方法二：將Anaconda永久添加環境變量（該方法退出Linux重啓後仍有效，配置稍微麻煩點）

$sudo vim /etc/profile

然後在打開的profile文本最後一行添加：export PATH=~/anaconda3/bin:$PATH 

最後注入環境變量，讓其立即生效，重啓也有效

source /etc/profile

添加環境變量完成後，輸入python後得到顯示，即配置完成。

（2）安裝部分軟件

安裝bazel或者以下編譯操作可能需要安裝的部分軟件如下：

$ 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

如果安裝不成功，則需要更新sudo後再嘗試安裝，即：sudo apt update。

（3）安裝bazel

$ ./bazel-0.19.2-installer-linux-x86_64.sh --user

（4）安裝protobuf

protobuf是最重要的一個，對版本要求非常嚴格，版本不對應會出現很多問題；本次使用的版本是protobuf 2.6.1，比較穩定。

解壓protobuf-2.6.1.tar.gz

/mnt/f/linux$ tar -zxvf protobuf-2.6.1.tar.gz

進入解壓後的protobuf-2.6.1文件目錄，執行以下命令

/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：如果輸入make install 時會出現make: *** [install-recursive] Error 1問題，則輸入sudo make install 即可解決。

方法一：將protobuf加入環境變量（該方法重啓後無效）

$ export LD_LIBRARY_PATH=/usr/local/lib

方法二： 將protobuf永久加入環境變量（重啓後仍有效）

  • $sudo vim /etc/profile
  • 然後在打開的profile文本最後一行添加：export LD_LIBRARY_PATH=/usr/local/lib
  • 最後注入環境變量，讓其立即生效，重啓也有效：source /etc/profile

查看版本以驗證安裝

$ protoc --version

4、配置TensorFlow安裝選項

進入源碼根目錄，運行 ./configure 進行配置。可參考 官網 -> Build from source -> View sample configuration session 設置，如果只需要配置cpu環境就一直回車。

/mnt/f/linux/tensorflow-1.13.1$ ./configure

5、使用bazel進行編譯生成動態庫

#編譯C++ API，生成.so文件，Tensorflow調用CUDA

/mnt/f/linux/tensorflow-1.13.1$ bazel build --config=opt --config=cuda //tensorflow:libtensorflow_cc.so

#編譯C++ API，生成.so文件，Tensorflow不調用CUDA

/mnt/f/linux/tensorflow-1.13.1$ bazel build --config=opt //tensorflow:libtensorflow_cc.so

等待編譯大約半個多小時，就成功編譯：

編譯成功後，tensorflow-1.13.1目錄下會出現 bazel-xxx 的幾個文件，在tensorflow-1.13.1/bazel-bin/tensorflow文件下會出現 libtensorflow_cc.so 和 libtensorflow_framework.so 動態庫文件。（動態庫文件下載）

6、編譯其他依賴

cd /mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile$ ./build_all_linux.sh

執行成功後，在tensorflow-1.13.1/tensorflow/contrib/makefile目錄下：downloads文件夾下存放第三方依賴的一些頭文件和靜態庫，比如nsync、Eigen、protobuf等。

說明：Eigen 是一個高層次的C ++庫，有效支持線性代數，矩陣和矢量運算，數值分析及其相關的算法；Protocol Buffers （簡稱 Protobuf）是 Google 開源的一款跨語言，跨平臺，擴展性好的序列化工具，相比於 XML 和 JSON 等流行的編碼格式，這種數據結構化語言需要使用protoc進行編譯。

7、測試一：簡單測試編譯好的TensorFlow C++ API

（1）創建一個demo文件夾，demo文件夾下具體內容目錄如下

├── src
| └── test.cpp
├── CMakeLists.txt

其中，test.cpp爲C++測試代碼，具體如下：

#include <tensorflow/core/platform/env.h>
#include <tensorflow/core/public/session.h>
#include <iostream>
 
using namespace std;
using namespace tensorflow;
 
int main()
{
    Session* session;
    Status status = NewSession(SessionOptions(), &session);
    if (!status.ok()) {
        cout << status.ToString() << "\n";
        return 1;
    }
    cout << "Session successfully created.\n";
}

CMakeLists.txt文件內容如下：

#指定 cmake 的最小版本
cmake_minimum_required(VERSION 2.8.8)
#項目名稱/工程名
project(demo)
#設置c++編譯器
# Set C++14 as standard for the whole project
set(CMAKE_CXX_STANDARD 14)
#設置TENSORFLOW_DIR變量，變量內容爲安裝的tensorflow文件夾路徑
set(TENSORFLOW_DIR /mnt/f/linux/tensorflow-1.13.1)
# 將源碼目錄保存到變量中
aux_source_directory(./src DIR_SRCS)  # 搜索當前目錄下的所有.cpp文件  
#add_library(demo ${SRC_LIST})   #明確指定包含哪些源文件                 
#設置包含的目錄，項目中的include路徑，換成自己的路徑即可
include_directories( 
    ${CMAKE_CURRENT_SOURCE_DIR}
	/mnt/f/linux/tensorflow-1.13.1
	/mnt/f/linux/tensorflow-1.13.1/bazel-genfiles
	/mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow
	/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/nsync/public
 	/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/eigen
   	/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/absl
   ) 
#設置鏈接庫搜索目錄，項目中lib路徑
link_directories(${TENSORFLOW_DIR}/tensorflow/contrib/makefile/downloads/nsync/builds/default.linux.c++11)
link_directories(${TENSORFLOW_DIR}/mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow)  #動態鏈接庫目錄
#添加要編譯的可執行文件
#add_executable(demo test.cpp)
add_executable(demo ${DIR_SRCS})    ## 生成可執行文件
#設置 target 需要鏈接的庫
#添加可執行文件所需要的庫,連接libtensorflow_cc.so和libtensorflow_framework庫，鏈接動態鏈接庫
#target_link_libraries(demo tensorflow_cc tensorflow_framework)
target_link_libraries(demo /mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow/libtensorflow_cc.so /mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow/libtensorflow_framework.so)

（2）編譯和運行

mkdir build   #創建build文件，是爲了將編譯程序放到build文件中
cd build
cmake ..   #使用cmake構建生成make文件
make       #使用make編譯
./demo    #運行可執行文件

運行結果如下：

8、測試二：Tensorflow C++ API調用Python預訓練模型

線下使用TensorFlow Python API訓練模型，線上使用TensorFlow C++ API調用預先訓練好的模型完成預測。

測試流程：

  • 使用TensorFlow Python API編寫和訓練模型，訓練完成後，使用tensorflow saver 將模型保存下來。
  • 使用TensorFlow C++ API構建新的session，讀取Python版本保存的模型，然後使用session->run()獲得模型的輸出。
  • 編譯和運行基於TensorFlow C++ API寫的代碼

（1）使用Tensorflow Python API線下定義模型和訓練

# -*-coding:utf-8 -*-
import tensorflow as tf
import os

# 使用Tensorflow Python API線下定義模型和訓練
def tain_model():
    train_dir = os.path.join('data/demo', "demo")
    a = tf.compat.v1.placeholder(dtype=tf.int32, shape=None, name='a')
    b = tf.compat.v1.placeholder(dtype=tf.int32, shape=None, name='b')
    y = tf.Variable(tf.ones(shape=[1], dtype=tf.int32), dtype=tf.int32, name='y')
    res = tf.add(tf.multiply(a, b), y, name='res')
    with tf.Session() as sess:
        feed_dict = dict()
        feed_dict[a] = 2
        feed_dict[b] = 3
        fetch_list = [res]
        sess.run(tf.compat.v1.global_variables_initializer())
        saver = tf.compat.v1.train.Saver()
        # 訓練和保存模型
        res = sess.run(feed_dict=feed_dict, fetches=fetch_list)
        saver.save(sess, train_dir)
        print("result: ", res[0])

#使用Tensorflow Python API 載入和運行模型
def load_model():
    with tf.Session() as sess:
        saver = tf.compat.v1.train.import_meta_graph('data/demo/demo.meta')
        saver.restore(sess, tf.train.latest_checkpoint('data/demo/'))
        # sess.run()
        graph = tf.compat.v1.get_default_graph()
        a = graph.get_tensor_by_name("a:0")
        b = graph.get_tensor_by_name("b:0")
        feed_dict = {a: 2, b: 3}
        op_to_restore = graph.get_tensor_by_name("res:0")
        print(sess.run(fetches=op_to_restore, feed_dict=feed_dict))

if __name__ == '__main__':
    #先訓練模型
    tain_model()
    #導入訓練好的模型測試結果
    load_model()

運行結果如下：

result:  [7]
[7]

生成的模型保存在demo文件夾下：

checkpoint  #模型checkpoint中的一些文件名的信息
demo.data-00000-of-00001  #模型中保存的各個權重
demo.index  #可能是保存的各個權重的索引
demo.meta  #模型構造的圖的拓撲結構

（2）使用Tensorflow C++ API讀入預訓練模型

Tensorflow C++代碼寫入test.cpp文件中：

#include <iostream>
#include "tensorflow/core/public/session.h"
#include "tensorflow/core/protobuf/meta_graph.pb.h"
#include "tensorflow/cc/client/client_session.h"
#include "tensorflow/cc/ops/standard_ops.h"
#include "tensorflow/core/framework/tensor.h"

using namespace std;
using namespace tensorflow;

int main()
{
    const string pathToGraph = "/mnt/f/linux/demo/demo_model/demo.meta";
    const string checkpointPath = "/mnt/f/linux/demo/demo_model/demo";
    auto session = NewSession(SessionOptions());
    if (session == nullptr)
    {
        throw runtime_error("Could not create Tensorflow session.");
    }

    Status status;

// 讀入我們預先定義好的模型的計算圖的拓撲結構
    MetaGraphDef graph_def;
    status = ReadBinaryProto(Env::Default(), pathToGraph, &graph_def);
    if (!status.ok())
    {
        throw runtime_error("Error reading graph definition from " + pathToGraph + ": " + status.ToString());
    }

// 利用讀入的模型的圖的拓撲結構構建一個session
    status = session->Create(graph_def.graph_def());
    if (!status.ok())
    {
        throw runtime_error("Error creating graph: " + status.ToString());
    }

// 讀入預先訓練好的模型的權重
    Tensor checkpointPathTensor(DT_STRING, TensorShape());
    checkpointPathTensor.scalar<std::string>()() = checkpointPath;
    status = session->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());
    }

//  構造模型的輸入，相當與python版本中的feed
    std::vector<std::pair<string, Tensor>> 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<int,1>();
    a_map(0) = 2;
    auto b_map = b.tensor<int,1>();
    b_map(0) = 3;
    input.emplace_back(std::string("a"), a);
    input.emplace_back(std::string("b"), b);

//   運行模型，並獲取輸出
    std::vector<tensorflow::Tensor> answer;
    status = session->Run(input, {"res"}, {}, &answer);

    Tensor result = answer[0];
    auto result_map = result.tensor<int,1>();
    cout<<"result: "<<result_map(0)<<endl;

    return 0;
}

（3）編譯和運行

編寫CMakeLists.txt文件，文件內容如下：

#指定 cmake 的最小版本
cmake_minimum_required(VERSION 2.8.8)

#項目名稱/工程名
project(demo)

#設置c++編譯器
# Set C++14 as standard for the whole project
set(CMAKE_CXX_STANDARD 14)

#設置TENSORFLOW_DIR變量，變量內容爲安裝的tensorflow文件夾路徑
set(TENSORFLOW_DIR /mnt/f/linux/tensorflow-1.13.1)

# 將源碼目錄保存到變量中
aux_source_directory(./src DIR_SRCS)  # 搜索當前目錄下的所有.cpp文件  
#add_library(demo ${SRC_LIST})   #明確指定包含哪些源文件                 

#設置包含的目錄，項目中的include路徑，換成自己的路徑即可
include_directories( 
    ${CMAKE_CURRENT_SOURCE_DIR}
	/mnt/f/linux/tensorflow-1.13.1
	/mnt/f/linux/tensorflow-1.13.1/bazel-genfiles
	/mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow
	/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/nsync/public
 	/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/eigen
   	/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/absl
   ) 

#設置鏈接庫搜索目錄，項目中lib路徑
link_directories(${TENSORFLOW_DIR}/tensorflow/contrib/makefile/downloads/nsync/builds/default.linux.c++11)
link_directories(${TENSORFLOW_DIR}/mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow)  #動態鏈接庫目錄

#添加要編譯的可執行文件
#add_executable(demo test.cpp)
add_executable(demo ${DIR_SRCS})    ## 生成可執行文件

#設置 target 需要鏈接的庫
#添加可執行文件所需要的庫,連接libtensorflow_cc.so和libtensorflow_framework庫，鏈接動態鏈接庫
#target_link_libraries(demo tensorflow_cc tensorflow_framework)
target_link_libraries(demo /mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow/libtensorflow_cc.so /mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow/libtensorflow_framework.so)

編譯及結果如下：

 

 

 

注意：在測試的的時候可能會遇到的protobuf版本錯誤問題，如果遇到了該問題，則需要解決protobuf版本問題，重新編譯後再測試。

錯誤描述：

#if 2006001 < GOOGLE_PROTOBUF_MIN_PROTOC_VERSION#error This file was generated by an older version of protoc which is#error incompatible with your Protocol Buffer headers.  Please#error regenerate this file with a newer version of protoc.#endif

錯誤原因：

問題可能在於，系統上已安裝的標頭（在/ usr / include / google / protobuf或/ usr / local / include / google / protobuf中）來自於協議緩衝區的較新版本protoc。可能是兩個版本都安裝在不同的位置，並且使用了錯誤的版本。

發表評論
所有評論
還沒有人評論，想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章

TensorFlow Hub-人人可享的易用模型

構建機器學習模型不但需要豐富的行業經驗，還需要存取海量數據和計算機資源，這對大多數開發者來說都是道不易翻越的屏障。爲解決這一問題，開發者可以使用預訓練過的模型，而且這種解決方案要好得多。TensorFlow Hub 就是爲解決此難題而設的庫

王莹 2021-12-02 13:08:54

TensorFlow Recommenders 一個專爲搭建推薦系統設計的 TensorFlow 庫

從電商到短視頻，推薦系統唄被廣泛應用於各個場景，但實際上要打造好一個有效的推薦系統並不容易。TensorFlow Recommenders 就是這樣一個爲了打造高效可擴展的推薦系統而專門製作的庫。在本次專題演講中，我們將通過演示如何使用 T

王莹 2021-12-01 10:13:50

打造負責任的 AI 工具包

隨着全世界數十億人繼續使用內核含 AI 技術的產品或服務，現在比以往更迫切需要負責任地使用 AI。打造有益於社會、包容且對社區負責的產品一直是我們最重視的事項。在本次專題演講中，我們將簡要介紹 Responsible AI Toolkit

王莹 2021-11-30 09:48:49

基於圖像的機器學習技術將數十億的電子商務產品分爲數千個類別

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

Celian Gossec 2021-11-29 16:28:50

2021 Google開發者大會精彩回顧

{"type":"doc","content":[{"type":"heading","attrs":{"align":null,"level":3}},{"type":"paragraph","attrs":{"indent":0,"nu

王莹 2021-11-22 10:08:54

基於 TensorFlow.js 的下一代 Web 應用

TensorFlow.js介紹，功能演示，新動向以及社區活動。 直達 Google 開發者在線課程，收穫 TensorFlow 技術乾貨 https://developers.google.cn/learn/pathways?utm_sou

谷歌 2021-11-18 09:28:56

利用 TensorFlow Lite Model Maker 打造簡單易用的端上模型

近年來，終端上的機器學習被廣泛應用在現實的移動應用當中。如何創建、優化、部署端上機器學習模型是TensorFlow Lite的主要關注點之一。我們開發了許多端到端的工具鏈來解決移動開發人員和機器學習初學者最爲頭疼的問題。今天，我們將介紹Te

谷歌 2021-11-18 09:28:56

2021 Google 開發者大會一覽，同步Android、TensorFlow、Web開發等最新動態

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

罗燕珊 2021-11-16 19:33:53

騰訊發佈超大預訓練系統派大星，聚焦解決BERT等超大模型訓練時的“GPU內存牆”問題

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

InfoQ编辑部 2021-11-02 13:38:53

谷歌推出面向開發者的全新開源平臺Dev Library

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

Tina 2021-10-19 16:33:48

突破 PyTorch、TensorFlow 並行瓶頸的開源訓練加速框架到底是啥？

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

赵钰莹 2021-10-12 09:38:58

TensorFlow出現任意代碼執行漏洞，團隊宣佈撤銷對YAML的支持

{"type":"doc","content":[{"type":"blockquote","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null

Ben Dickson 2021-09-02 08:03:56

阿里巴巴AI系統建設的思考

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

林伟 2021-07-28 15:58:54

快手八卦！突破TensorFlow、PyTorch並行瓶頸的開源分佈式訓練框架來了！

{"type":"doc","content":[{"type":"blockquote","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null

快手AI团队 2021-07-16 14:03:55

基於 TensorFlow.js 和 MoveNet 的下一代姿態檢測

{"type":"doc","content":[{"type":"paragraph","attrs":{"indent":0,"number":0,"align":null,"origin":null},"content":[{"typ

TensorFlow官博 2021-06-08 09:23:55