win10 + bazel-0.20.0 + tensorflow-1.13.1 编译tensorflow GPU版本的C++库

参考资料：

• windows+bazel+tensorflow-v1.12.0(GPU)编译生成dll与lib;
• Error: “execution of scripts is disabled on this system” ;
• tensorflow1.4 c++编译以及API使用;
• window+tensorflow+cuda+cudnn 出现‘CUDnn_STATUS_ALLOC_FAILED’的可能解决办法;
• Return coordinates for bounding boxes Google’s Object Detection API;
• visualize_boxes_and_labels_on_image_array 函数.

---------------------- 超长文多图预警!!! ----------------------

安装所需软件/库

• vs2015;
• Anaconda3;
• CUDA 10.0;
• cuDNN 7.6;
• python3.6.7;
• tensorflow-1.13.1;
• bazel0.20.0;
• msys2-x86_64-20190524.

Step1. 安装vs2015，CUDA 10.0和cuDNN 7.6

vs2015的安装这里就不多说了，Anaconda3、CUDA和cuDNN的安装可参考cmake编译opencv： Win10+cmake3.14.4+cuda10.0+cudnn7.6+opencv-4.0.0+contrib+vs2015。

Step2. 安装msys2

进入msys2官网，选择msys2-x86_64-20190524.exe，或直接点击此链接: msys2-x86_64-20190524，进行下载。

下载好后开始安装，点击Next：

接下来选择安装路径，我个人为了避免安装在系统盘，将盘符改成了D盘，如下图。然而在之后的编译过程中发现，msys64会在C盘再安装一遍，所以这里推荐使用默认，即安装在 C:\msys64 下。接着点击Next，进入下一步。

这里直接Next：

软件开始安装，稍微等一会儿就好了。

安装完成，点击Finish：

弹出一个类似cmd的命令窗口，输入一下命令：

pacman -Syu

  
  

  
  
1

询问是否进行安装，输入y，回车：

第一个命令执行完毕：

接着输入以下命令：

pacman -S git

  
  

  
  
1

同样地，询问是否安装输入 y，然后回车：

第二个命令执行完毕：

接着输入：

pacman -S patch unzip grep

  
  

  
  
1

是否安装输入 y，回车：

第三个命令执行完毕：

软件装好以后，需要配置环境变量。
将以下路径添加到系统变量 Path 中：

D:\msys64
D:\msys64\usr\bin

注意，如果之前装在C盘，则需要进行相应修改。
如下图所示：

msys2安装配置完毕！

Step3. 安装bazel

进入github，选择合适的bazel版本进行下载。
如果CUDA和Tensorflow的版本与本文一致，也可点此链接下载：bazel-0.20.0-windows-x86_64.exe。
github上选择下载文件如下图所示：

将下载好的 .exe 文件复制到 D:\msys64 下（路径根据个人安装情况而定），更名为 bazel.exe。

复制完成后，配置bazel环境变量。
新建三个系统变量：BAZEL_SH，BAZEL_VC，BAZEL_VS。相应的路径如以下表格所示：

变量	值
BAZEL_SH	D:\msys64\usr\bin\bash.exe
BAZEL_VC	D:\Program Files (x86)\Microsoft Visual Studio 14.0\VC
BAZEL_VS	D:\Program Files (x86)\Microsoft Visual Studio 14.0

环境变量配置完成：

bazel安装配置完毕！

Step4. 下载编译所需文件（tensorflow源码及其他文件）

进入tensorflow-v1.13.1源码的github的页面 ，点击页面右侧绿色按钮Clone or download，然后点击Download ZIP进行下载，如下图所示。
或者也可直接点此链接：tensorflow-1.13.1 进行下载。
下载时间也许会很长，请耐心等待。

进入tensorflow-windows-build-script-master的github页面，下载tensorflow-windows-build-script-master.zip(此链接可直接下载)。

以上两个 .zip 文件下载完成后，在D盘新建一个文件夹，命名为 tensorflow-1.13.1 （也可根据个人喜好决定）。

• 将下载好的 tensorflow-1.13.1.zip 解压到刚刚新建的文件夹下，重新命名为 source；
• 将 tensorflow-windows-build-script-master.zip 解压到任意位置，然后把其中的 patches 和 build.ps1 文件，复制到新建的 D:\tensorflow-1.13.1目录下，如下图所示：

• 将 patches 下的 eigen_half.patch 复制到 tensorflow-1.13.1\source\third_party 下：

• 将 patches 下的 tf_exported_symbols_msvc.lds 复制到 tensorflow-1.13.1\source\tensorflow 下：

• 用文本编辑器打开 build.ps1 文件，将以下语句注释掉：

Copy-Item …\patches\tf_exported_symbols_msvc.lds tensorflow\

防止编译时出现Copy-Item命令的问题。
位置在 build.ps1 的180行，如下图所示：

编译所需文件准备完毕！

Step5. 使用powershell进行配置与编译

在 C:\Windows\SysWOW64\WindowsPowerShell\v1.0 目录下，右键以管理员身份运行 powershell.exe：

在 powershell 窗口中输入以下命令，转到 tensorflow-1.13.1 目录下：

cd D:\tensorflow-1.13.1

 
 

 
 
1

输入bazel编译的选项：

$parameterString = "--config=opt --config=cuda --define=no_tensorflow_py_deps=true --copt=-nvcc_options=disable-warnings //tensorflow:libtensorflow_cc.so --verbose_failures"

 
 

 
 
1

然后输入以下命令，执行 build.ps1 脚本文件：

.\build.ps1 -BazelBuildParameters $parameterString -BuildCppAPI -ReserveSource

 
 

 
 
1

执行命令时出现 UnauthorizedAccess 错误，说明可能是 powershell 的执行策略受限，输入以下命令查看当前执行策略：

Get-ExecutionPolicy

 
 

 
 
1

我这里显示的是Restricted（受限的），所以需要输入以下语句来取消限制：

Set-ExecutionPolicy Unrestricted

 
 

 
 
1

询问是否改变执行策略，输入 y，回车。
修改好后，可以再次输入：

Get-ExecutionPolicy

 
 

 
 
1

查看当前执行策略是否已经取消限制。

执行策略的问题解决以后，重新执行 build.ps1 脚本文件：

.\build.ps1 -BazelBuildParameters $parameterString -BuildCppAPI -ReserveSource

 
 

 
 
1

如果一切正常，我们将开始编译前的配置。可参照以下两图进行配置。有些提问可以直接按回车来选择默认配置，括号中出现 default 字眼的，都可以这么做。

注意 ：当问到GPU的计算能力（compute capability），即出现 [Default is: 3.5, 7.0]: 时，先不要急着按回车。我们先找到跟自己显卡对应的计算能力，再进行填写，可参考后面的方法来查看显卡的计算能力。

打开设备管理器，找到自己的显卡型号：

然后进入NVDIA官网的CUDA GPUs页面，点击 CUDA-Enabled GeForce and TITAN Products，找到自己的显卡型号对应的数值，将其填入 [Default is: 3.5, 7.0]: 后面，回车继续配置。

都配置完成后，编译正式开始。注意保持网络通畅，因为编译之前需要下载各种依赖库，网络异常会导致下载失败停止编译。编译时间很长，不要光盯着屏幕看，该吃吃该喝喝该玩玩该睡睡。

编译可能出现无法解析的外部符号的问题，以下面的错误为例：

无法解析的外部符号 “public: virtual __cdecl tensorflow::internal::LogMessage::~LogMessage(void)” (??1LogMessage@internal@tensorflow@@UEAA@XZ)，该符号在函数 “public: void __cdecl tensorflow::internal::LogMessage::`vbase destructor’(void)” (??_DLogMessage@internal@tensorflow@@QEAAXXZ) 中被引用

解决方法：
用文本编辑器打开 D:\tensorflow-1.13.1\source\tensorflow\tf_exported_symbols_msvc.lds ，找到前面一个括号中带问号的内容：

??1LogMessage@internal@tensorflow@@UEAA@XZ

将其删除。如果有多个无法解析外部符号的问题，用同样的方法逐一删除即可。
确认全部清除后，重新执行以下命令配置和编译：

.\build.ps1 -BazelBuildParameters $parameterString -BuildCppAPI -ReserveSource

 
 

 
 
1

如果一切正常，在漫长的等待之后，将会出现以下结果：
注意：第一个红框部分为编译生成的动态库 libtensorflow_cc.so 所在位置，请记录下来，后面需要用到。

编译任务圆满完成！！！
可以稍作休息小小庆祝一下！

Step6. 整理生成的文件——dll，lib，include

新建一个文件夹，在文件夹中创建以下三个目录：dll，lib，include。

根据编译结束时显示的动态库所在位置，找到生成的库 libtensorflow_cc.so 和 liblibtensorflow_cc.so.ifso。

• 将 libtensorflow_cc.so 更名为 tensorflow_cc.dll，放到刚才创建的 dll 目录下；
• 将 liblibtensorflow_cc.so.ifso 更名为 tensorflow_cc.lib，放到刚才创建的 lib 目录下。

接下来要做的是填满 include 目录，该步相对繁琐，最终将包含以下文件夹：

1）在include目录中新建名为 _bin 的文件夹。参考以下路径，打开 _embedded_binaries 目录，将下图红框中的文件复制到 _bin 文件夹中：

C:\Users\xxx_bazel_xxx\install\d5b1be53d8db6a1e2d160364df2e7ef6_embedded_binaries

2-1) 参考以下路径，将下图红框中的 bazel-out 文件夹复制到 include 目录下：

C:\Users\xxx_bazel_xxx\y46qiod6\execroot\org_tensorflow

2-2) 参考以下路径，将 protobuf_archive 文件夹复制到 include 下的 bazel-out\x64_windows-opt\genfiles\external 目录中：

C:\Users\xxx_bazel_xxx\y46qiod6\external

3） 将 D:\tensorflow-1.13.1\source 下的 tensorflow 和 third_party 复制到 include 目录下：

4-1) 参照以下路径，将下图红框中的 external 文件夹复制到 include 目录下：

C:\Users\xxx_bazel_xxx\y46qiod6

4-2) 参照以下路径，将 embedded_tools 文件夹下的所有文件复制到 include 下的 external\bazel_tools 目录中（如果 external 里面没有该文件夹，需新建并命名为 bazel_tools）：

C:\Users\xxx_bazel_xxx\install\d5b1be53d8db6a1e2d160364df2e7ef6_embedded_binaries\embedded_tools

4-3) 将 D:\tensorflow-1.13.1\source 下的 tensorflow 复制到 include 下的 external\org_tensorflow 目录中（如果 external 里面没有该文件夹，需新建并命名为 rg_tensorflow）：

至此，调用tensorflow所需的库及包含的目录准备完毕！

Step7. 调用模型测试程序

新建测试工程，在 .cpp 文件中写入以下代码：

#define COMPILER_MSVC
#define NOMINMAX
#define PLATFORM_WINDOWS   // 指定使用tensorflow/core/platform/windows/cpu_info.h

#include “stdafx.h”
#include<iostream>
#include<opencv2/opencv.hpp>
#include"tensorflow/core/public/session.h"
#include “tensorflow/core/platform/env.h”
#include <time.h>

using namespace tensorflow;
using namespace cv;
using std::cout;
using std::endl;

int main() {
const std::string model_path = “frozen_inference_graph.pb”;// tensorflow模型文件，注意不能含有中文
const std::string image_path = “image1.jpg”; // 待inference的图片grace_hopper.jpg

// 设置输入图像
cv::Mat img = cv::imread(image_path);
cv::cvtColor(img, img, cv::COLOR_BGR2RGB);
int height = img.rows;
int width = img.cols;
int depth = img.channels();

// 取图像数据，赋给tensorflow支持的Tensor变量中
tensorflow::Tensor input_tensor(DT_UINT8, TensorShape({ 1, height, width, depth }));
const uint8* source_data = img.data;
auto input_tensor_mapped = input_tensor.tensor<uint8, 4>();

for (int i = 0; i < height; i++) {
	const uint8* source_row = source_data + (i * width * depth);
	for (int j = 0; j < width; j++) {
		const uint8* source_pixel = source_row + (j * depth);
		for (int c = 0; c < depth; c++) {
			const uint8* source_value = source_pixel + c;
			input_tensor_mapped(0, i, j, c) = *source_value;
		}
	}
}

// 初始化tensorflow session
Session* session;
Status status = NewSession(SessionOptions(), &session);
if (!status.ok()) {
	std::cerr << status.ToString() << endl;
	return -1;
}
else {
	cout << "Session created successfully" << endl;
}

// 读取二进制的模型文件到graph中
tensorflow::GraphDef graph_def;
status = ReadBinaryProto(Env::Default(), model_path, &graph_def);
if (!status.ok()) {
	std::cerr << status.ToString() << endl;
	return -1;
}
else {
	cout << "Load graph protobuf successfully" << endl;
}

// 将graph加载到session
status = session->Create(graph_def);
if (!status.ok()) {
	std::cerr << status.ToString() << endl;
	return -1;
}
else {
	cout << "Add graph to session successfully" << endl;
}
// 输入inputs，“ x_input”是我在模型中定义的输入数据名称
std::vector<std::pair<std::string, tensorflow::Tensor>> inputs = {
	{ "image_tensor:0", input_tensor },
};

// 输出outputs
std::vector<tensorflow::Tensor> outputs;

//批处理识别
double start = clock();
std::vector<std::string> output_nodes;
output_nodes.push_back("num_detections");
output_nodes.push_back("detection_boxes");
output_nodes.push_back("detection_scores");
output_nodes.push_back("detection_classes");
// 运行会话，最终结果保存在outputs中
status = session->Run(inputs, { output_nodes }, {}, &outputs);
if (!status.ok()) {
	std::cerr << status.ToString() << endl;
	return -1;
}
else {
	cout << "Run session successfully" << endl;
}

double	finish = clock();
double duration = (double)(finish - start) / CLOCKS_PER_SEC;
cout << "spend time:" << duration << endl;
cv::imshow("image", img);
cv::waitKey();
return 0;

}

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85
• 86
• 87
• 88
• 89
• 90
• 91
• 92
• 93
• 94
• 95
• 96
• 97
• 98
• 99
• 100
• 101
• 102
• 103
• 104
• 105
• 106
• 107

先别急着编译工程，首先我们需要把环境配置好：

• 配置opencv (Release版本)；
• 配置tensorflow C++库。

opencv库配置就不多赘述，这里主要说明tensorflow库的配置。
1）包含目录：

D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\external\org_tensorflow;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\external\protobuf_archive\src;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\external\com_google_absl;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\external\eigen_archive;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\bazel-out\x64_windows-opt\genfiles;

 
 

 
 
1

2）库目录：

D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\lib;

 
 

 
 
1

3）链接器输入附加依赖项：

tensorflow_cc.lib;

 
 

 
 
1

环境配置好后，将之前生成的动态库放入应用程序目录，即复制 tensorflow_cc.dll 到与工程文件 .sln 同级的 x64\Release 文件夹下，如下图所示：

接下来，从网盘下载模型文件 frozen_inference_graph.pb 和测试图片 image1.jpg（点此链接）

• 模型文件在 tensorflow\ssd_mobilenet_v1_coco_2017_11_17 目录下；
• 测试图片在 tensorflow\test_images 目录下。

把它们放到与 .cpp 文件同级的目录下，如下图所示：

编译前的准备工作完成，现在我们可以编译生成项目。生成之前，注意选择 Release 和 x64，如下图红框所示：

编译可能出现无法解析的外部符号的问题，以下面的错误为例：

无法解析的外部符号 “public: virtual __cdecl tensorflow::internal::LogMessage::~LogMessage(void)” (??1LogMessage@internal@tensorflow@@UEAA@XZ)，该符号在函数 “public: void __cdecl tensorflow::internal::LogMessage::`vbase destructor’(void)” (??_DLogMessage@internal@tensorflow@@QEAAXXZ) 中被引用

解决方法：
用文本编辑器打开 D:\tensorflow-1.13.1\source\tensorflow\tf_exported_symbols_msvc.lds ，将前面一个括号中带问号的内容：

??1LogMessage@internal@tensorflow@@UEAA@XZ

复制到该文件的末尾，如下图所示。
如果有多个无法解析外部符号的问题，用同样的方法逐一添加。全部添加完成后保存关闭文件，然后重新编译tensorflow，也就是说从运行脚本文件开始，后面的流程要重新走一遍，想想有点心累，不过都已经走到这里了，半途而废有点说不过去呀，咬咬牙重来一遍吧。

上面的问题已经成功解决，没有意外，还会出现max问题：

解决办法如下：
双击错误提示，跳转到有max问题的文件： logging.h 和 tensor_shape.h，分别进行以下修改：

1）logging.h:

将第250行的

if (TF_PREDICT_FALSE(v2 >= std::numeric_limits<int>::max())) {      \

 
 

 
 
1

改为

if (TF_PREDICT_FALSE(v2 >= (std::numeric_limits<int>::max)())) {      \

 
 

 
 
1

修改后如下图所示：

2）tensor_shape.h:
将108-111行的

static const int64 kMaxRep16 = std::numeric_limits<uint16>::max() - 1;
static const int64 kMaxRep32 = std::numeric_limits<uint32>::max() - 1;
static const uint16 kUnknownRep16 = std::numeric_limits<uint16>::max();
static const uint32 kUnknownRep32 = std::numeric_limits<uint32>::max();

 
 

 
 
1
2
3
4

改为：

static const int64 kMaxRep16 = (std::numeric_limits<uint16>::max)() - 1;
static const int64 kMaxRep32 = (std::numeric_limits<uint32>::max)() - 1;
static const uint16 kUnknownRep16 = (std::numeric_limits<uint16>::max)();
static const uint32 kUnknownRep32 = (std::numeric_limits<uint32>::max)();

 
 

 
 
1
2
3
4

修改后如下图所示：

修改好后我们重新生成项目，如果上面的步骤都没有问题，将会出现下面的结果：

没错！编译成功！小腿抖起来小曲儿唱起来!

到这里还没有结束，将程序运行起来，你将看到以下结果：

红框部分说明GPU和模型调用没毛病，妥妥地成功！小腿再次抖起来小曲儿再次唱起来!

tensorflow C++库的生成和调用全部结束！

支线任务

注意，这是作业，不是彩蛋。
测试程序结尾出现了以下神秘图片：

蓝狗？！
还别说，狗狗蓝色的美瞳还真是洋气，蓝色的皮鞋更显骚气。
灵魂三问：小狗为什么是蓝色？定位框在哪？识别的结果在哪？
这就需要骚年们好好的研究和琢磨了。

Happy Ending:

                                </div>