Linux环境下编译TensorFlow C++ API和测试方法总结（完美版）

已于 2022-04-16 21:31:04 修改
阅读量1.3w 收藏 101
点赞数 18
分类专栏： 深度学习 文章标签： Linux Tensorflow C++ API
于 2019-09-20 19:58:21 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/asialee_bird/article/details/100990483
版权

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 v3.6.3
tensorflow-1.12.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.11.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.10.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.9.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.8.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.7.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.6.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.5.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.4.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.3.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.2.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.1.03.5MSVC 2015 update 3Cmake v3.6.3
tensorflow-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 0.19.2
tensorflow-1.12.02.7、3.3-3.6GCC 4.8Bazel 0.15.0
tensorflow-1.11.02.7、3.3-3.6GCC 4.8Bazel 0.15.0
tensorflow-1.10.02.7、3.3-3.6GCC 4.8Bazel 0.15.0
tensorflow-1.9.02.7、3.3-3.6GCC 4.8Bazel 0.11.0
tensorflow-1.8.02.7、3.3-3.6GCC 4.8Bazel 0.10.0
tensorflow-1.7.02.7、3.3-3.6GCC 4.8Bazel 0.10.0
tensorflow-1.6.02.7、3.3-3.6GCC 4.8Bazel 0.9.0
tensorflow-1.5.02.7、3.3-3.6GCC 4.8Bazel 0.8.0
tensorflow-1.4.02.7、3.3-3.6GCC 4.8Bazel 0.5.4
tensorflow-1.3.02.7、3.3-3.6GCC 4.8Bazel 0.4.5
tensorflow-1.2.02.7、3.3-3.6GCC 4.8Bazel 0.4.5
tensorflow-1.1.02.7、3.3-3.6GCC 4.8Bazel 0.4.2
tensorflow-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 0.19.2
tensorflow-1.12.02.7、3.3-3.6XCode 中的 ClangBazel 0.15.0
tensorflow-1.11.02.7、3.3-3.6XCode 中的 ClangBazel 0.15.0
tensorflow-1.10.02.7、3.3-3.6XCode 中的 ClangBazel 0.15.0
tensorflow-1.9.02.7、3.3-3.6XCode 中的 ClangBazel 0.11.0
tensorflow-1.8.02.7、3.3-3.6XCode 中的 ClangBazel 0.10.1
tensorflow-1.7.02.7、3.3-3.6XCode 中的 ClangBazel 0.10.1
tensorflow-1.6.02.7、3.3-3.6XCode 中的 ClangBazel 0.8.1
tensorflow-1.5.02.7、3.3-3.6XCode 中的 ClangBazel 0.8.1
tensorflow-1.4.02.7、3.3-3.6XCode 中的 ClangBazel 0.5.4
tensorflow-1.3.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.5
tensorflow-1.2.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.5
tensorflow-1.1.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.2
tensorflow-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cuDNNCUDA
tensorflow_gpu-1.13.03.5-3.6MSVC 2015 update 3Bazel 0.15.079
tensorflow_gpu-1.12.03.5-3.6MSVC 2015 update 3Bazel 0.15.079
tensorflow_gpu-1.11.03.5-3.6MSVC 2015 update 3Bazel 0.15.079
tensorflow_gpu-1.10.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.9.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.8.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.7.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.6.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.5.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.4.03.5-3.6MSVC 2015 update 3Cmake v3.6.368
tensorflow_gpu-1.3.03.5-3.6MSVC 2015 update 3Cmake v3.6.368
tensorflow_gpu-1.2.03.5-3.6MSVC 2015 update 3Cmake v3.6.35.18
tensorflow_gpu-1.1.03.5MSVC 2015 update 3Cmake v3.6.35.18
tensorflow_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cuDNNCUDA
tensorflow_gpu-1.13.12.7、3.3-3.6GCC 4.8Bazel 0.19.27.410.0
tensorflow_gpu-1.12.02.7、3.3-3.6GCC 4.8Bazel 0.15.079
tensorflow_gpu-1.11.02.7、3.3-3.6GCC 4.8Bazel 0.15.079
tensorflow_gpu-1.10.02.7、3.3-3.6GCC 4.8Bazel 0.15.079
tensorflow_gpu-1.9.02.7、3.3-3.6GCC 4.8Bazel 0.11.079
tensorflow_gpu-1.8.02.7、3.3-3.6GCC 4.8Bazel 0.10.079
tensorflow_gpu-1.7.02.7、3.3-3.6GCC 4.8Bazel 0.9.079
tensorflow_gpu-1.6.02.7、3.3-3.6GCC 4.8Bazel 0.9.079
tensorflow_gpu-1.5.02.7、3.3-3.6GCC 4.8Bazel 0.8.079
tensorflow_gpu-1.4.02.7、3.3-3.6GCC 4.8Bazel 0.5.468
tensorflow_gpu-1.3.02.7、3.3-3.6GCC 4.8Bazel 0.4.568
tensorflow_gpu-1.2.02.7、3.3-3.6GCC 4.8Bazel 0.4.55.18
tensorflow_gpu-1.1.02.7、3.3-3.6GCC 4.8Bazel 0.4.25.18
tensorflow_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cuDNNCUDA
tensorflow_gpu-1.1.02.7、3.3-3.6XCode 中的 ClangBazel 0.4.25.18
tensorflow_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）

6、编译其他依赖

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

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 <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文件内容如下：

#指定 cmake 的最小版本
cmake_minimum_required(VERSION 2.8.8)
#项目名称/工程名
project(demo)
#设置c++编译器
# Set C++14 as standard for the whole project
set(CMAKE_CXX_STANDARD 14)
#设置TENSORFLOW_DIR变量，变量内容为安装的tensorflow文件夹路径
set(TENSORFLOW_DIR /mnt/f/linux/tensorflow-1.13.1)
# 将源码目录保存到变量中
aux_source_directory(./src DIR_SRCS)  # 搜索当前目录下的所有.cpp文件  
#add_library(demo ${SRC_LIST})   #明确指定包含哪些源文件                 
#设置包含的目录，项目中的include路径，换成自己的路径即可
include_directories( 
    ${CMAKE_CURRENT_SOURCE_DIR}
	/mnt/f/linux/tensorflow-1.13.1
	/mnt/f/linux/tensorflow-1.13.1/bazel-genfiles
	/mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow
	/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/nsync/public
 	/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/eigen
   	/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/absl
   ) 
#设置链接库搜索目录，项目中lib路径
link_directories(${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)  #动态链接库目录
#添加要编译的可执行文件
#add_executable(demo test.cpp)
add_executable(demo ${DIR_SRCS})    ## 生成可执行文件
#设置 target 需要链接的库
#添加可执行文件所需要的库,连接libtensorflow_cc.so和libtensorflow_framework库，链接动态链接库
#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）编译和运行

mkdir build   #创建build文件，是为了将编译程序放到build文件中
cd build
cmake ..   #使用cmake构建生成make文件
make       #使用make编译
./demo    #运行可执行文件

运行结果如下：

8、测试二：Tensorflow C++ API调用Python预训练模型

线下使用TensorFlow Python API训练模型，线上使用TensorFlow C++ API调用预先训练好的模型完成预测。

测试流程：

  • 使用TensorFlow Python API编写和训练模型，训练完成后，使用tensorflow saver 将模型保存下来。
  • 使用TensorFlow C++ API构建新的session，读取Python版本保存的模型，然后使用session->run()获得模型的输出。
  • 编译和运行基于TensorFlow C++ API写的代码

（1）使用Tensorflow Python API线下定义模型和训练

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

# 使用Tensorflow Python API线下定义模型和训练
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()
        # 训练和保存模型
        res = sess.run(feed_dict=feed_dict, fetches=fetch_list)
        saver.save(sess, train_dir)
        print("result: ", res[0])

#使用Tensorflow Python API 载入和运行模型
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__':
    #先训练模型
    tain_model()
    #导入训练好的模型测试结果
    load_model()

运行结果如下：

result:  [7]
[7]

生成的模型保存在demo文件夹下：

checkpoint  #模型checkpoint中的一些文件名的信息
demo.data-00000-of-00001  #模型中保存的各个权重
demo.index  #可能是保存的各个权重的索引
demo.meta  #模型构造的图的拓扑结构

（2）使用Tensorflow C++ API读入预训练模型

Tensorflow C++代码写入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;

// 读入我们预先定义好的模型的计算图的拓扑结构
    MetaGraphDef graph_def;
    status = ReadBinaryProto(Env::Default(), pathToGraph, &graph_def);
    if (!status.ok())
    {
        throw runtime_error("Error reading graph definition from " + pathToGraph + ": " + status.ToString());
    }

// 利用读入的模型的图的拓扑结构构建一个session
    status = session->Create(graph_def.graph_def());
    if (!status.ok())
    {
        throw runtime_error("Error creating graph: " + status.ToString());
    }

// 读入预先训练好的模型的权重
    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());
    }

//  构造模型的输入，相当与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);

//   运行模型，并获取输出
    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）编译和运行

编写CMakeLists.txt文件，文件内容如下：

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

#项目名称/工程名
project(demo)

#设置c++编译器
# Set C++14 as standard for the whole project
set(CMAKE_CXX_STANDARD 14)

#设置TENSORFLOW_DIR变量，变量内容为安装的tensorflow文件夹路径
set(TENSORFLOW_DIR /mnt/f/linux/tensorflow-1.13.1)

# 将源码目录保存到变量中
aux_source_directory(./src DIR_SRCS)  # 搜索当前目录下的所有.cpp文件  
#add_library(demo ${SRC_LIST})   #明确指定包含哪些源文件                 

#设置包含的目录，项目中的include路径，换成自己的路径即可
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
   ) 

#设置链接库搜索目录，项目中lib路径
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)  #动态链接库目录

#添加要编译的可执行文件
#add_executable(demo test.cpp)
add_executable(demo ${DIR_SRCS})    ## 生成可执行文件

#设置 target 需要链接的库
#添加可执行文件所需要的库,连接libtensorflow_cc.so和libtensorflow_framework库，链接动态链接库
#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)

编译及结果如下：

注意：在测试的的时候可能会遇到的protobuf版本错误问题，如果遇到了该问题，则需要解决protobuf版本问题，重新编译后再测试。

错误描述：

#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

错误原因：

问题可能在于，系统上已安装的标头（在/ usr / include / google / protobuf或/ usr / local / include / google / protobuf中）来自于协议缓冲区的较新版本protoc。可能是两个版本都安装在不同的位置，并且使用了错误的版本。

Linux环境下编译TensorFlow C++ API生成的动态链接库：libtensorflow_cc.so，libtensorflow_framework.so下载。

Asia-Lee
关注
  • 18
    点赞
  • 踩
  • 101
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 11
    评论
专栏目录
tensorflow180 C++ API CPU
02-13
这是自己编译的tensorflow C++接口，CPU版本，tensorflow版本是1.8，适用VS2015开发，这东西我不确定在别的电脑上能用，我只在我自己的两台电脑上用过，所以不要浪费大家积分。
Linux环境下编译的TensorFlow C++ API动态库文件.7z
04-16
1、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。本资源是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 2、Linux环境下编译TensorFlow C++ API生成的动态链接库：libtensorflow_cc.so，libtensorflow_framework.so。
Linux环境使用g++编译C++方法总结
01-09
单个源文件生成可执行程序 下面是一个保存在文件 helloworld.cpp 中一个简单的 C++ 程序的代码： /* helloworld.cpp */ #include int main(int argc,char *argv[]) { std::cout << hello, world << std::endl; return(0); } 程序使用定义在头文件 iostream 中的 cout，向标准输出写入一个简单的字符串。该代码可用以下命令编译为可执行文件： $ g++ helloworld.cpp 编译器 g++ 通过检查命令行中指定的文件的
CPU版的tensorflow1.10.0编译出C++API的库文件VS2015
01-02
经过1天的编译，将CPU版的tensorflow1.10.0成功编译出C++API的库文件，可以使用C++编写调用tensorflow跑例程，跑训练出来的模型，并支持GPU训练出的模型，本人亲试没有问题，需要的可以下载，环境为VS2015-64位
windows下，编译c++版本的tensorflow（cpu版本）.pdf
04-23
windows下，编译c++版本的tensorflow（cpu版本）.pdf
bazel-0.19.2-installer-linux-x86_64.sh
09-18
bazel-0.19.2，可从官方网址下载：https://github.com/bazelbuild/bazel/releases/tag/0.19.2 网速不佳时可能下载不下来，分享资源为了方便有需要的小伙伴们。
Tensorflow框架 -- 使用C++ API 接口
DAOCHI
03-23 915
本文主要使用介绍使用 tensorflow API接口的基本流程，配合OpenCV读取图像数据。 #define COMPILER_MSVC #define NOMINMAX #define PLATFORM_WINDOWS #include "tensorflow/core/public/session.h" #include "tensorflow/core/platform/env.h" ...
C/C++ Windows和Linux通用的一个函数，从文件路径中 提取 (文件名) 和 (文件后缀)
cpp_learner的博客
04-01 3725
一个函数就可以在Linux和Windows中调用，获得文件名和文件后缀！
Tensorflow 源码编译笔记（C++/C层）
weixin_30957413的博客
09-26 950
Tensorflow 源码编译笔记（C++/C层） C API 接口库编译
Tensorflow c++源码编译（踩坑版）
zqwwwm的博客
12-14 5708
在实际项目部署过程中，会需要tensorflow c或者c++版本， 网上一通查，说自己编译会各种坑，投机取巧。。在拿到别人编译好的c和c++版本调用报错后，开始痛定思痛，躲不过的坑 自己来趟好了。。 先说下电脑环境： linux18.04 cuda 10.0 cudnn 7.6.5 make 4.1 protobuf 3.7 ############环境安装############# 怕tensorflow版本高 容易出错，保守选择 tensroflow 1.13.1版本， 并选择
TensorFlow 源码编译工具 Bazel 安装--------TensorFlow系列学习笔记（三）
galaxy
08-09 4052
TensorFlow 源码编译工具 Bazel 安装 1.依赖库的安装与配置 2.下载Bazel 3.运行安装程序 4.设置环境变量 5.安装Bazel之后即可进行TensorFlow源码的编译。   TensorFlow 源码编译工具 Bazel 安装 利用源码编译安装TensorFlow 需要用到谷歌官方的一个工具bazel。 Bazel下载地址：https://githu...
windows下编译tensorflow源码 用其c++接口调用训练好的模型
茶佬牛逼
11-18 1万+
2019.5.31更新： 最近在研究如何用tensorflow的python库训练模型，生成pb文件，再在c++中调用这个模型，完成前向的预测。 具体步骤如下： ①在python中，用tensorflow的python库，训练模型，并生成pb文件； ②准备好tensorflow的c++库； ③在c++中用tensorflow的API来调用这个pb文件，完成前向计算过程。 下面分...
Bazel 编译 Tensorflow (linux)
weixin_30957413的博客
02-24 532
Bazel 编译 Tensorflow (linux)
bazel 的安装与卸载
火山飘雪的博客
04-23 4469
bazel 安装 安装依赖 sudo apt install g++ unzip zip 如果想要构建 java 代码，则需要安装一个 jdk： # Ubuntu 16.04 (LTS) uses OpenJDK 8 by default: sudo apt-get install openjdk-8-jdk # Ubuntu 18.04 (LTS) uses OpenJDK 11 by default: sudo apt-get install openjdk-11-jdk 下载名为 baz
Windows或Linux系统环境下成功配置TensorFlow2.x的GPU版本全过程，附带每个步骤需要用的链接
weixin_45941288的博客
05-15 4万+
接下来我以Windows安装TensorFlow2.2.1为例进行详细阐述： 1. 安装anaconda： 点击进入anaconda官网： anaconda官网 或者点击下面直接下载对应版本： 点击下载win64位的anaconda 点击下载win32位的anaconda 点击下载Linux的anaconda 注意事项：安装的时候， 一定要勾选第一个选项！！ 一定要勾选第一个选项！！ 一定要勾选第一个选项！！ 重要的事情说3遍。默认它是没有被勾选的，这是把anaconda添加到环境变量里的，如果没勾选就安装
C++使用Python/C API
Eliza_Her的博客
04-08 1367
整理了在C++代码中使用Python函数、脚本、类的方法，使用了Python/C API。
软件接口测试
qq_46560030的博客
03-01 446
接口测试笔记
linux下tensorflow安装
热门推荐
shuzfan的专栏
11-13 5万+
如无特殊说明，所有操作都在Linux系统上完成，并假定只有普通用户权限。(仅有CUDA和cudnn安装需要用到管理员权限)一、 安装TensorFlow1. 使用pip从二进制文件安装注意： 最新版本的二进制文件链接地址，可以通过TensorFlow官网获取 https://www.tensorflow.org/install/install_linux 请安装最新版的pip，或者使用pip in
tensorflow C++ api
Al_xin的专栏
11-19 1157
1. 背景 TensorFlow是一个从离线到在线一条龙实现的机器学习库。 一般来说，离线算法一般采用Python进行开发，并进行训练，以及得到模型结果， 而在线部分，采用的则是C++来实现，主要考虑到在线预测要一定的性能要求。这里可以采用TensorFlow serving来实现。但是一般来说，为了更好地和内部rpc框架融合，需要将TensorFlow的库，植入到内部的rpc的框架里面。 本文主...
linux环境下编译tensorflow c++ api
最新发布
07-29
在Linux环境下编译TensorFlow C API可以按照以下步骤进行。 1. 首先，确保已经安装了TensorFlow的源代码。可以从TensorFlow官网或GitHub上下载，然后解压到一个合适的目录。 2. 确保已经安装了Bazel构建系统。可以使用以下命令进行安装： ``` sudo apt-get install bazel ``` 3. 打开终端并进入TensorFlow源代码目录。 4. 执行以下命令来生成TensorFlow的C API库： ``` bazel build --config=monolithic tensorflow:libtensorflow_c.so ``` 这个命令会编译TensorFlow的C API，并生成一个名为"libtensorflow_c.so"的动态链接库文件。 5. 构建完成后，可以将生成的库文件复制到适当的目录中，以便后续使用。可以使用以下命令将库文件复制到/usr/local/lib目录： ``` sudo cp bazel-bin/tensorflow/libtensorflow_c.so /usr/local/lib/ ``` 6. 最后，可以将TensorFlow的头文件也一并复制到/usr/local/include目录，以便在C代码中引用。可以使用以下命令进行复制： ``` sudo cp -r tensorflow /usr/local/include/ ``` 这样，你就可以在Linux环境下使用TensorFlow的C API进行编程了。 请注意，以上步骤仅适用于Linux环境下编译TensorFlow C API。具体的步骤可能会有所不同，具体取决于你所使用的Linux发行版和TensorFlow的版本。

“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 11
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

Asia-Lee

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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