Tensorflow编译源码安装

最新推荐文章于 2024-07-24 10:24:52 发布

clarence1994

最新推荐文章于 2024-07-24 10:24:52 发布

阅读量1.4k

点赞数

分类专栏： Tensorflow 文章标签：深度学习

本文链接：https://blog.csdn.net/u011634209/article/details/78834230

版权

Tensorflow 专栏收录该内容

2 篇文章 0 订阅

订阅专栏

Tensorflow编译源码安装

硬软件环境说明

本次搭建深度学习环境的硬件配置如下：

硬件	配置
处理器	Intel Xeon（R)CPU E5-2640 v4@ 2.40GHz x 20
内存	64G
硬盘	1.3TB
图形卡	GeForce GTX 1080Ti/PCle/SSE2

本次搭建深度学习环境的软件如下：

软件	配置
操作系统	Ubuntu 16.04 64-bit
NVIDIA驱动	nvidia384
cuda	8.0
cuDNN	6.0

依赖包下载

Python环境准备

    $ sudo aot update
    $ sudo apt install python-pip
    $ sudo apt install python-numpy swig python-dev python-wheel

Java环境准备
此处准备Java环境是因为bazel支持多语言，如C++,Java,Objective-C等。bazel安装时需要Java JDK 8。

    $ sudo apt install default-jre
    $ sudo apt install default-jdk

bazel下载

本文档使用的bazel版本是0.5.2。请在网上下载该版本。bazel版本过高可能会导致编译出错。

    $ cd ~/Downloads   #切换到你安装bazel的目录下
    $ ./bazel-0.5.2-installer-linux-x86_64.sh

Tensorflow源码下载

本文档使用git方式下载Tensorflow源码。

    $ sudo apt install git
    $ cd ~   #切换到你的用户目录下执行以下命令，你也可以创建自己的目录并在该目录下工作。
    $ git clone https://github.com/tensorflow/tensorflow

源码编译

    $ cd ~/tensorflow
    $ git checkout v1.3.0   #本文档安装的是1.3.0版的tensorflow。你也可以根据你想要的版本签出tensorflow的某一个版本。
    $ ./configure   #配置编译选项

python解释器路径选择/usr/bin/python。

Do you wish to build TensorFlow with MKL support?[Y/N] N

Do you wish to use jemalloc as the malloc implementation?[Y/n] Y

其余选项都选否。直到下面一条提示。

Do you wish to build TensorFlow with CUDA support?[y/N] y

Do you want to use clang as CUDA compiler?[y/N] N

再往下选择时，都选择默认。直到下面一条提示。

Do you wish to build TensorFlow with MPI support?[y/N] N

做完以上操作后，./configure会提示你配置结束。接着，输入如下命令。

    $ bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package   #等待编译结束
    $ bazel-bin/tensorflow/tools/pip_package/build_pip_package ~/Documents/   #这条命令会在你的Docements目录下生成一个whl文件

安装

使用Pip安装上一步生成的whl文件

    $ cd ~/Documents/
    $ pip install tensorflow-1.3.0-cp27-cp27mu-linux_x86_64.whl

安装结束后，测试下是否安装成功

    $ python
    >>> import tensorflow as tf
    >>> a = tf.constant(1)
    >>> b = tf.constant(2)
    >>> c = a + b
    >>> sess = tf.Session()
    >>> sess.run(c)   #这条语句会输出3
    >>> sess.close()
    >>> quit()
    $

搞定了之后，便可以使用基于GPU的TensorFlow。