torch1.10.0 + cuda11.1 + vs2017 混编 尽管目前的PyTorch可以直接使用GPU进行加速，但是一些特殊的自定义算法可能依然无法直接使用GPU加速，或者PyTorch对该操作的实现还不够高效。使用C++扩展和CUDA扩展可改善上述状况，在Pytorch中可调用扩展的算子测试其正确性和性能，本文仅介绍如何配置混编的环境。提示：以下是本篇文章正文内容，下面案例可供参考此方法可以避开繁琐的VS2017界面也可以完成.cu文件和.cpp文件的混编。
Window10+Bazel+msys2+vs2019+tensorflow2.8+python3.8 编译libtensorflowlite.so CPU 提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录前言一、Window10环境二、Bazel三、msys2三、VS2019四、Tensorflow 和 python五、NDK 和 SDK五、编译配置总结前言在android端通过C++调用tflite比使用java接口效率高，需要通过编译tensorflow的源码编译生成tflite的so库， 网上教程大多数是linux或者ubantu环境下的。官方教程教程大部分也是基于此https://tensorflow.google..
关注
