源码编译tensorflow,caffe等

从源码编译tensorflow

参考: https://www.tensorflow.org/install/source
tf依赖可以参考官方tf whl包内的信息,解压缩tensorflow-1.15.4-cp36-cp36m-manylinux2010_x86_64.whl:tensorflow-1.15.4.dist-info/METADATA

build tensorflow tag v1.15.4, inside ubuntu18.04 docker container。

环境:

  • docker container: ubuntu 18.04.5
  • Miniconda
# build tensorflow tag v1.15.4, inside ubuntu18.04 docker container:

create conda environment of python=3.6, and activate it

pip install -U "numpy<1.19.0"  #较新的numpy可能会导致tf编译失败
pip install -U wheel
pip install -U keras_preprocessing --no-deps


sudo apt install zip unzip
sudo ./bazel-0.25.2-installer-linux-x86_64.sh


sudo apt install build-essential

cd tensorflow
git checkout -b tag1154 v1.15.4
./configure
bazel --output_user_root=xxx build -s --verbose_failures --local_ram_resources=10240 -j 8 --config=opt //tensorflow/tools/pip_package:build_pip_package
./bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

bazel的文件会存放在上面的xxx目录中,若未指定该选项则默认~/.cache/bazel/_bazel_$USER/,见bazel的输出目录说明。
最终生成的tensorflow whl文件在指定的/tmp/tensorflow_pkg目录下。

从源码编译caffe

方法一(未验证):
安装依赖:可以参考 NVIDIA的文档 ,但NVIDIA是为了编译NVCaffe,所以只用来参考。

sudo apt-get install --no-install-recommends build-essential cmake git gfortran libatlas-base-dev libboost-filesystem-dev libboost-python-dev libboost-system-dev libboost-thread-dev libgflags-dev libgoogle-glog-dev libhdf5-serial-dev libleveldb-dev liblmdb-dev libopencv-dev libsnappy-dev python-all-dev python-dev python-h5py python-matplotlib python-numpy python-opencv python-pil python-pip python-pydot python-scipy python-skimage python-sklearn

上面部分库(包括python-*相关库)比较老了,所以未知是否可行。

方法二(已在Ubuntu20.04验证成功):
部分借鉴 https://gist.github.com/nikitametha/c54e1abecff7ab53896270509da80215

目标:

  • ubuntu20.04LTS
  • 编译 caffe cpu only版本

过程:

conda创建python3.8环境并激活

sudo apt install python3 python3-dev
sudo apt install libopencv-dev python3-opencv (如果caffe不链接OpenCV则不用安装)
sudo apt install libopenblas-dev / libatlas-base-dev
sudo apt install libboost-all-dev

pip install protobuf

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

git clone https://github.com/BVLC/caffe.git
修改CMakeLists.txt,改成CPU ONLY,其余选项视情况能关闭的尽量都关闭。

mkdir build ; cd build ;
cmake ..  (本次使用cmake 3.22版本)
make
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
TensorFlowCaffe是两个被广泛应用于深度学习的开源框架。它们都有各自的优缺点如下: TensorFlow的优点: 1. 高度灵活:TensorFlow具有高度可定制的图形计算环境,可以构建各种类型的神经网络模型和算法。 2. 广泛的社区支持:由于其受欢迎程度,有庞大的开发者社区支持,提供大量的文档、教程和示例代码。 3. 高性能计算:TensorFlow通过使用计算图和高效的并行计算技术,能够充分利用多核CPU和GPU加速深度学习模型的训练和推理。 4. 支持多种语言:TensorFlow支持多种主流编程语言,如Python、C++和Java等,提供了多种编程接口,方便开发者使用。 5. 模型可移植性:TensorFlow使用统一的模型表示,能够在不同平台和设备上进行无缝迁移和部署。 TensorFlow的缺点: 1. 学习曲线陡峭:相对于其他框架,TensorFlow的学习曲线可能会较陡峭,对于新手可能需要较长时间来熟悉其概念和使用方法。 2. 繁琐的模型构建:在TensorFlow中,需要手动构建计算图,在一些场景下可能需要编写更多的代码。 3. 运行效率不高:由于其设计的灵活性,TensorFlow在一些小规模的深度学习任务上可能会出现较低的运行效率。 Caffe的优点: 1. 简单易用:Caffe使用简单的配置文件来定义模型和训练过程,对于新手入门较为友好。 2. 高效的内存管理:Caffe通过使用内存映射技术,有效地管理内存使用,适用于处理大规模的数据集。 3. 高速的推理速度:由于其专注于推断(inference)过程,Caffe在模型的运行速度方面表现出色。 4. 跨平台支持:Caffe支持多种操作系统,可以在Linux、Windows和Mac等平台上运行。 Caffe的缺点: 1. 灵活性较差:相对于TensorFlowCaffe的灵活性较差,对于一些特殊的网络结构和算法可能需要自己进行扩展和定制。 2. 依赖较多:Caffe对于依赖库的需求较多,需要手动安装和配置依赖项。 3. 社区支持相对较少:相比TensorFlowCaffe的社区支持相对较少,文档和教程相对较少。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值