tensorflow_cc

tensorflow_cc

該存儲庫使從TensorFlow源代碼文件夾的外部以及不使用Bazel Build System的外部使用TensorFlow C ++ API。

該存儲庫包含兩個CMAKE項目。 Tensorflow_cc項目下載，構建和安裝Tensorflow C ++ API到操作系統中，示例項目演示了其簡單的用法。

Docker

如果您想立即開始使用此項目，請在Docker Hub上獲取預構建的圖像！

在CPU上運行圖像：

docker run -it floopcz/tensorflow_cc:ubuntu /bin/bash

如果您還想使用NVIDIA GPU，請安裝NVIDIA DOCKER並運行：

docker run --gpus all -it floopcz/tensorflow_cc:ubuntu-cuda /bin/bash

可用圖像的列表：

圖像名稱	描述
floopcz/tensorflow_cc:ubuntu	ubuntu構建tensorflow_cc
floopcz/tensorflow_cc:ubuntu-cuda	ubuntu構建tensorflow_cc + nvidia cuda
floopcz/tensorflow_cc:archlinux	Arch Linux構建tensorflow_cc
floopcz/tensorflow_cc:archlinux-cuda	tensorflow_cc + nvidia cuda的Arch Linux構建

要自己構建圖像之一，例如ubuntu ，運行：

docker build -t floopcz/tensorflow_cc:ubuntu -f Dockerfiles/ubuntu . 

安裝

1）安裝要求

Ubuntu 18.04：

安裝存儲庫要求：

 sudo apt-get install cmake curl g++-7 git python3-dev python3-numpy sudo wget

設置Python 3為默認的Python：

 update-alternatives --install /usr/bin/python python /usr/bin/python3 1

為了構建張量流本身，構建過程還需要Bazel：

 curl -fsSL https://bazel.build/bazel-release.pub.gpg | gpg --dearmor > bazel.gpg
sudo mv bazel.gpg /etc/apt/trusted.gpg.d/
echo "deb [arch=amd64] https://storage.googleapis.com/bazel-apt stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list
sudo apt-get update && sudo apt-get install bazel

如果您需要在Ubuntu上進行GPU支持，請還安裝NVIDIA CUDA TOOLKIT（> = 11.1），NVIDIA驅動程序，Cudnn和cuda-command-line-tools軟件包。如果構建過程將其安裝在/opt/cuda或/usr/local/cuda目錄中，則將自動檢測到它。

Arch Linux：

 sudo pacman -S base-devel bazel cmake git python python-numpy wget

對於ARCH上的GPU支持，也安裝以下內容：

 sudo pacman -S cuda cudnn nvidia

警告： TensorFlow的新版本有時無法使用最新版本的Bazel構建。您可能希望安裝舊版本的Bazel（例如，5.1.1）。

警告：如果您的程序使用Protobuf並遇到鏈接或其他問題，則可以嘗試-DINSTALL_PROTOBUF=ON Onsine安裝Protobuf版本，該版本匹配與TensorFlow捆綁在一起的版本。我們的Dockerfiles已經使用了正確版本的Protobuf構建，因此您可能需要先在Dockerfile中嘗試您的程序。

2）克隆這個存儲庫

 git clone https://github.com/FloopCZ/tensorflow_cc.git
cd tensorflow_cc

3）構建並安裝庫

 cd tensorflow_cc
mkdir build && cd build
cmake ..
make
sudo make install
sudo ldconfig

警告：默認情況下啟用了Intel CPU生成>=haswell的優化。如果您的處理器比haswell Generation更古老，則可能希望在構建之前運行export CC_OPT_FLAGS="-march=native" 。此命令為您當前的CPU生成提供了最佳的優化，但可能會導致構建庫與老一代不兼容。

警告：在低內存或多個CPU環境中，Bazel調度程序可能會錯過資源消耗估算，並且可以由內存外殺手終止。如果是您的情況，請考慮將資源限制參數添加到cmake，例如， cmake -DLOCAL_RAM_RESOURCES=2048 -DLOCAL_CPU_RESOURCES=4 ..

4）（可選）免費磁盤空間

 # cleanup bazel build directory
rm -rf ~/.cache
# remove the build folder
cd .. && rm -rf build

用法

1）編寫您的C ++代碼：

 // example.cpp

# 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 " ;
}

2）使用CMAKE將TensorFlowCC鏈接到您的程序

 # CMakeLists.txt

find_package (TensorflowCC REQUIRED)
add_executable (example example.cpp)

# Link the Tensorflow library.
target_link_libraries (example TensorflowCC::TensorflowCC)

# You may also link cuda if it is available.
# find_package(CUDA)
# if(CUDA_FOUND)
#   target_link_libraries(example ${CUDA_LIBRARIES})
# endif() 

3）構建並運行您的程序

 mkdir build && cd build
cmake .. && make
./example 

如果您仍然不確定，請諮詢Ubuntu和Arch Linux的Dockerfiles。