网站建设flash设计,wordpress前台资料,wordpress非法关键词,互联网应用在哪些领域由于最近比较忙#xff0c;一直到假期才有空#xff0c;因此将自己学到的知识进行分享。如果有不对的地方#xff0c;请指出#xff0c;谢谢#xff01;目前深度学习越来越火#xff0c;学习、使用tensorflow的相关工作者也越来越多。最近在研究tensorflow线下采用 pytho… 由于最近比较忙一直到假期才有空因此将自己学到的知识进行分享。如果有不对的地方请指出谢谢目前深度学习越来越火学习、使用tensorflow的相关工作者也越来越多。最近在研究tensorflow线下采用 python 脚本训练出模型, 利用freeze_graph工具输出.pb图文件之后再线上生产环境windows平台上用C代码直接调用预先训练好的模型完成预测的工作。因为目前tensorflow提供的C的API比较少所以参考了以上几篇已有的日志做个总结。这里编译出TensorFlow C library遇到的坑进行填埋。之后的调用Clibrary相对比较简单可以参考链接部分。 Step1Windows 10必备环境准备 1.1安装VS2015 1.2安装Swigwin-3.0.12其可执行文件地址为 D:/lib/swigwin-3.0.12/swig.exe 1.4安装python3.5安装时注意选择将路径添加到环境变量。 1.5安装CMake-3.8.0 安装时注意选择将路径添加到环境变量。 1.6安装Git用于在编译过程中从GitHub上下载依赖项。 1.7 将GitHub上TensorFlow的master分支 下载并解压到文件夹D:\tf中编辑文件tensorflow/tensorflow/contrib/cmake/CMakeLists.txt将第87行至93行修改如下 if (tensorflow_OPTIMIZE_FOR_NATIVE_ARCH)include(CheckCXXCompilerFlag)CHECK_CXX_COMPILER_FLAG(-marchnative COMPILER_OPT_ARCH_NATIVE_SUPPORTED)if (COMPILER_OPT_ARCH_NATIVE_SUPPORTED)set(CMAKE_CXX_FLAGS ${CMAKE_CXX_FLAGS} -marchnative)else()CHECK_CXX_COMPILER_FLAG(/arch:AVX COMPILER_OPT_ARCH_AVX_SUPPORTED)if(COMPILER_OPT_ARCH_AVX_SUPPORTED)set(CMAKE_CXX_FLAGS ${CMAKE_CXX_FLAGS} /arch:AVX)endif()endif()
endif()总结下这一部分的三个重要地址 Python可执行文件地址为D:/lib/Python35/python.exe
Python库文件地址为D:/lib/Python35/libs/python35.lib(release版本), D:/lib/Python35/libs/python35_d.lib(Debug版本)
Swigwin可执行文件地址D:/lib/swigwin-3.0.12/swig.exe。 Step2编译 TensorFlow shared lib 2.1 打开文件夹 D:\tf\tensorflow-master\tensorflow\contrib\cmake 新建文件夹\build。以管理员身份运行 开始 \ 所有程序 \ Visual Studio 2015\Visual Studio Tools\ Developer Command Prompt for VS 2015输入powershell使用命令切换到新建的build文件夹下。使用指令1用于build编译项目。可以看到使用的就是上一部分保存的三个路径。当命令行中出现Generating done说明build成功。 # 指令1(release)
cmake .. -A x64 -DCMAKE_BUILD_TYPERelease -DSWIG_EXECUTABLED:/lib/swigwin-3.0.12/swig.exe-DPYTHON_EXECUTABLED:/lib/Python35/python.exe -DPYTHON_LIBRARIESD:/lib/Python35/libs/python35.lib -Dtensorflow_BUILD_SHARED_LIBON# 指令1(debug)
cmake .. -A x64 -DCMAKE_BUILD_TYPEDebug -DSWIG_EXECUTABLED:/lib/swigwin-3.0.12/swig.exe-DPYTHON_EXECUTABLED:/lib/Python35/python.exe -DPYTHON_LIBRARIESD:/lib/Python35/libs/python35_d.lib-Dtensorflow_BUILD_SHARED_LIBON或者这里我用cmake-gui界面进行cmake编译出release和debug版本如下图所示 2.2 命令行中输入指令2开始编译在编译过程中保持网络畅通有15个依赖库需要下载。编译过程中可能出现一些警告不用担心只要没有错误编译就可以通过。 # 指令2(release)
MSBuild /p:ConfigurationRelease ALL_BUILD.vcxproj
# 指令2(debug)
MSBuild /p:ConfigurationDebug ALL_BUILD.vcxproj 2.3 但是我在自己的电脑上编译失败并出现了90个错误这些错误都指向了两文件: D:\tf\tensorflow-master\tensorflow\contrib\cmake\build\re2\src\re2\re2\testing\re2_test.cc
D:\tf\tensorflow-master\tensorflow\contrib\cmake\build\re2\src\re2\re2\testing\search_test.cc re2包提供了正则表达式的功能文件夹testing中是测试文件在TensorFlow运行过程中其实不需要这些测试功能所以可以通过禁止编译re2的测试部分来移除这些错误。 Step3排除错误 3.1对出错的工程文件夹下修改文件D:\tf\tensorflow-master\tensorflow\contrib\cmake\build\re2\src\re2\CMakeLists.txt一定要FQ下载到将第16行修改为: option(RE2_BUILD_TESTING “enable testing for RE2” OFF) 并保存。 3.2 重新进行编译步骤2.2。在编译过程中会出现错误 C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V140\Microsoft.CppCommon.targets(171,5): error MSB6006: “cmd.exe”已退
出代码为 1。 [D:\tensorflow-master\tensorflow\contrib\cmake\build\grpc.vcxproj] 这个应该是没有成功下载grpc这个应该是个bug给的链接不对多次编译都编不过去百度了下grpc对我现在的应用暂时用不多不了解可以百度gprc因此暂时不需要grpc也就不下载编辑文件tensorflow/tensorflow/contrib/cmake/CMakeLists.txt将第23行修改如下 option(tensorflow_ENABLE_GRPC_SUPPORT Enable gRPC support OFF) 3.3重新cmake 和Build编译项目并重新进行编译重复步骤2.12.2和3.1。可能会出现错误 fatal error C1060: compiler is out of heap space 这应该是跟自己的硬件相关我自己的电脑配置不太好。出现这个错误首先等待编译过程的完成然后重复运行指令2。大概重复运行两三次这个问题就没有了。每次重复运行前需等待整个编译过程完成。 也可能会出现这样的错误Debug编译出现这样的错误 这可能在实际中编译采用的是x86并没有真正采用x64的环境进行编译因此打开命令窗口Developer Command Prompt for VS 2015输入powershell使用命令切换到新建的build文件夹下输入指令3然后在输入指令2。 # 指令3
set PreferredToolArchitecturex64 3.4 编译到最后会出现错误debug版本比较严格符号重载的错误如下图所示 error C2678: binary : no operator found which takes a left-hand operand of type IndicesRowIterator 修改对应的文件夹下的文件我这里是D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\boosted_trees\lib\utils\sparse_column_iterable.cc增加到文件中增加的内容如下所示 bool operator( const IndicesRowIterator other ) const {
QCHECK_LT( iter_, other.iter_ );
return ( row_idx_ other.row_idx_ );
} 最终编译成功。出现需要的相应的release和debug版本的lib和动态链接库 Step4在Windows上编译和运行一个简单的TensorFlow C 程序 4.1在vs2015中创建一个新的工程solution并在对应的文件中输入如下 #include vector
#include eigen/Dense#include matmul.h
#include tensorflow/core/public/session.h
#include tensorflow/cc/ops/standard_ops.husing namespace tensorflow;// Build a computation graph that takes a tensor of shape [?, 2] and
// multiplies it by a hard-coded matrix.
GraphDef 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::MatMul::TransposeB(true));GraphDef def;TF_CHECK_OK(root.ToGraphDef(def));return def;
}int main()
{GraphDef graph_def CreateGraphDef();// Start up the sessionSessionOptions options;std::unique_ptrSession session(NewSession(options));TF_CHECK_OK(session-Create(graph_def));// Define some data. This needs to be converted to an Eigen Tensor to be// fed into the placeholder. Note that this will be broken up into two// separate vectors of length 2: [1, 2] and [3, 4], which will separately// be multiplied by the matrix.std::vectorfloat data { 1, 2, 3, 4 };auto mapped_X_ Eigen::TensorMapEigen::Tensorfloat, 2, Eigen::RowMajor(data[0], 2, 2);auto eigen_X_ Eigen::Tensorfloat, 2, Eigen::RowMajor(mapped_X_);Tensor X_(DT_FLOAT, TensorShape({ 2, 2 }));X_.tensorfloat, 2() eigen_X_;std::vectorTensor outputs;TF_CHECK_OK(session-Run({ { x, X_ } }, { y }, {}, outputs));// Get the result and print it outTensor Y_ outputs[0];std::cout Y_.tensorfloat, 2() std::endl;session-Close();getchar();
} 4.2在对应的头文件中输入如下 #pragma once#define COMPILER_MSVC
#define NOMINMAX 4.3在vs2015中属性配置界面中include Directories D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\Debug
D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\external\nsync\public
D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\protobuf\src\protobuf\src
D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\external\eigen_archive
D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build
D:\tf\tensorflow-master-ngrpc
D:\tf\tensorflow-master-ngrpc\third_party\eigen3 4.4在vs2015中属性配置界面中Additional Library Directoriesrelease版本 D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\Release 4.5在vs2015中属性配置界面中Linker Settingsrelease版本 tensorflow.lib 4.6编译和运行程序运行结果如下所示 7 17
-1 -3 参考 https://joe-antognini.github.io/machine-learning/build-windows-tf http://quqixun.com/?p785 http://blog.csdn.net/longji/article/details/72760409 http://blog.csdn.net/rockingdingo/article/details/75452711 https://github.com/tensorflow/tensorflow/issues https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/cmake https://stackoverflow.com/questions/42603407/how-to-compile-tensor-flow-with-sse-and-and-avx-instructions-on-windows 转载于:https://www.cnblogs.com/jliangqiu2016/p/7642471.html
