tensorflow windows10,c++部署tensorflow代码

　　tensorflow支持的最好的编程语言应该是python(应该说大多数深度学习框架支持的最好的语言是Python)。tensorflow底层说是用C/C写的，但是感觉真的对C/C不友好，关于Python的资料很多，关于C/C的很少，我能看到很多直接抄袭官网的可怜例子.因为我可能用C/C开发的比较多，有点希望用C/C API，所以有这个备注。

　　好了，不说废话了。这里推荐一篇之前参考过的文章，写的很清楚，但是我觉得可能还是有点不准确，或者是我没有遇到的问题，或者不是我解决的方式。

　　好了，废话不多说，直奔方法：

　　1、需要准备的东西

　　首先是软件：

　　1)、CMake Gui，我这里用的是CMake 3.11.0，基本上3.0以上的都应该可以；VS2015(社区版免费，基本上还可以)；

　　2)、CUDA9.0和支持cudnn7(深度学习必备精品，如果用CPU就没必要了)；

　　3)、Anaconda，官网或者去清华镜像下载(python大蟒蛇的优秀工具，学习和使用深度学习技术应该还是有必要弄一个的)；

　　4)、swigwin-3.0.12(我不确定这是干什么用的，但很有用)；

　　5)、梯子(梯子可以解决我参考的博客中提到的一些问题，当然这些问题也可以用博客的方法解决)；

　　6)、源代码(我下载了tensorflow1.8，因为我电脑安装了tensorflow1.8 Python版本)；

　　7)、Git(这个很重要，编译时要下载的文件是通过Git)；

　　2、Cmake源码

　　默认安装以上材料和开发环境。蟒蛇很好对付。参考我之前的一个笔记，有很简单粗暴的方法，其他方法也很简单。基本上能找到N多本教程。然后解压下载的源代码，用Cmake GUI打开，从Cmake设置源代码路径和项目路径：

　　然后按，左下角，配置项目，然后报错一个：

　　这里因为没有设置SWIG的路径，所以SWIG可以在官网下载，解压后再添加到

　　，然后再次点击配置再次配置，然后修改部分项目。

　　Tensorflow，如果你能连接到谷歌，你可以这样做：

　　如果你不能连接到谷歌，这是它：

　　如果没有GPU，也删除tensorflow_ENABLE_GPU。

　　然后再次点击配置，对项目进行配置，如果没有错误，点击生成，生成项目。

　　3、VS2015编译

　　用VS2015打开vs14_project/tensorflow.sln项目，整个项目Cmake出来274个冷傲的果汁：

　　首先修改配置属性，改成x64下的Release(因为Anaconda的版本是发布的，没有调试，所以这里最好编译Release的版本。Debug可能会有错误，编译一个都快9G了，不想尝试编译Debug)。之后，我需要修改前五个文件的配置属性：

　　配置完成后，修改文件tensor flow \ contrib \ boosted _ trees \ lib \ utils \ spare _ column _ iterable . cc，将第99~101行注释为：

　　bool operator(constindicerowiterator other)const { q check _ LT(ITER _，other . ITER _)；return(row _ idx _ other . row _ idx _)；}

　　然后右键单击该解决方案以生成解决方案。这个过程会超级长，因为下载的依赖很多，甚至有点卡。我查了任务管理器，主要消耗内存和CPU，CPU快满了。然后就会出现一个和tf_core_gpu_kernel有关的问题(看了错误，感觉应该和访问权限有关。我的CUDA和VS安装在c盘，应该会导致访问权限不足。目测就是这个原因)。此时关闭VS，然后以管理员身份运行VS2015，再打开tensorflow项目。然后点击编译解决方案(不要重新编译，直接点击编译，不然要花很多时间)，然后这一项就编译了很久，久到我一度怀疑自己的人生。然后就是DT的事情。在编译tf_core_kernel的时候，很容易出现“编译器堆空间不足”，导致该项编译失败，然后就会出现其他问题。这时候重新编译项目就可以了，不用重新编译，然后就可以了。因为编译这一项的时候占用了大量的CPU，CPU都快满了，很容易出问题。

　　基本上这样做了之后就可以编译通过了，但是我这边会有一个错误，和python API有关。我没有编译过tf_python_api，但还是报错了“cmd.exe”。可能跟我装过的tensorflow的Python版本有关吧。我没有具体查，因为这不是我的目的。况且我电脑上已经有Python版的tensorflow了，所以就忽略了，也不是很重要。

　　下一步是打包头文件、lib文件和dll文件，在解决方案中找到安装项目，右键单独编译。编译完成后，会返回相关的头文件、lib文件、dll文件和exe文件(如果需要的话，可以找到我要打包的文件，这个编译要花相当多的时间)。

　　编译好之后，做一点测试，看能不能用。

　　4、测试

　　首先，创建一个新的控制台应用程序，然后在项目中添加打包的头文件和lib文件的路径。代码如下：

　　# include STD afx . h compiler _ MSVC # define nomin max # include vector # include Eigen/Dense # include tensor flow/core/public/session . h # include tensor flow/cc/ops/standard _ ops . h # include tensor flow/cc/ops/training _ ops . h # include tensor flow/core/framework/graph . Pb . h 使用命名空间tensor flow；graph def CreateGraphDef(){ Scope root=Scope:NewRootScope()；auto X=ops:Placeholder(root。WithOpName(x )，DT_FLOAT，ops:Placeholder:Shape({ -1，2 })；auto A=ops:Const(root，{ { 3.f，2.f }，{ -1.f，0 . f } })；auto Y=ops:MatMul(root。WithOpName(y )，A，X，ops:mat mul:TransposeB(true))；GraphDef defTF_CHECK_OK(根。ToGraphDef(def))；返回def} int main(){ graph def graph _ def=CreateGraphDef()；//启动会话SessionOptions选项；std:unique_ptrSession会话(new session(options))；TF_CHECK_OK(会话创建(graph _ def))；//定义一些数据。//这需要转换成一个本征张量//输入占位符。//注意，这将被分解成两个//长度为2的独立向量：[1，2]和[3，4]，//它们将分别//与矩阵相乘。std:vectorfloat data={ 1，2，3，4 }；auto mapped _ X _=Eigen:TensorMapEigen:tensor float，2，Eigen:RowMajor (data[0]，2，2)；auto Eigen _ X _=Eigen:tensor float，2，Eigen:row major(mapped _ X _)；张量X_(DT_FLOAT，TensorShape({ 2，2 })；X_。tensorfloat，2()=eigen _ X _；std:矢量传感器输出；TF_CHECK_OK(会话运行({ { x ，X_ } }，{ y }，{}，输出))；//得到结果并打印出来张量Y _=outputs[0]；std:cout Y_。tensorfloat，2()STD:endl；会话关闭()；getchar()；返回0；}程序的输出信息如下：

　　就像Python版本一样，会先显示一条系统和硬件信息，然后输出结果。代码中变量和函数的含义是什么，或者说如何用C开发一个tensorflow程序？以后再研究，Python版本写不好，所以还是要花点时间。

　　给我一个我编译的CPU版本，Release，64位，版本1.8。

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。