windows10+vs2015下编译GPU版本tensorflow得到lib和dll（附带C++ inference示例）_win10编译tensorflow-gpu1.4动态库

文章目录

本篇博客的内容分为两部分：1、在windows10下编译GPU版本的tensorflow，并获得tensorflow.lib和tensorflow.dll文件；2、利用这两个文件，创建一个C++工程，编写inference示例程序

一、windows10下编译GPU版本的tensorflow

1、首先需要准备的环境

• x墙工具
• vs2015
• swig，官网是这里，注意下载windows版本的（含有.exe文件），解压即可
• python，建议3.6或以上版本
• CMake，官网下载安装，安装完成后添加到环境变量里(…/CMake/bin)
• Git，官网下载安装，安装完成后添加到环境变量里(…/Git/bin)
• cuda及cudnn，本文编译的是最新的1.6版本tf，所以cuda要求9.0，cudnn要求7，限于篇幅，配置方法自行网上搜索
• 矩阵运算库，例如BLAS、MKL、eigen这些，这里我选择的是eigen，下载最新的版本，解压后添加到环境变量里(…/eigen3.3.4)

2、下载tensorflow源码，配置CMakeLists.txt

打开命令提示符，cd到专门的路径下，输入

git clone --recursive https://github.com/tensorflow/tensorflow.git
1

下载好tensorflow源码后，找到tensorflow/contrib/cmake/CMakeLists.txt，搜索“tensorflow_OPTIMIZE_FOR_NATIVE_ARCH”，找到后做出如下修改

if (tensorflow_OPTIMIZE_FOR_NATIVE_ARCH)
  include(CheckCXXCompilerFlag)
  CHECK_CXX_COMPILER_FLAG("-march=native" COMPILER_OPT_ARCH_NATIVE_SUPPORTED)
  if (COMPILER_OPT_ARCH_NATIVE_SUPPORTED)
    set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -march=native")
  else()
    CHECK_CXX_COMPILER_FLAG("/arch:AVX" COMPILER_OPT_ARCH_AVX_SUPPORTED)
	if(COMPILER_OPT_ARCH_AVX_SUPPORTED)
	  set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} /arch:AVX")
	endif()
  endif()
endif()
1
2
3
4
5
6
7
8
9
10
11
12

3、开始编译lib和dll

首先进入tensorflow/contrib/cmake目录下，新建一个build文件夹。然后打开命令提示符，输入cmake-gui，配置相关的路径，再configure（选择vs2015的那个vc14 64位编译器），即可得到下图

原本根据需要自行勾选编译选项，再configure+generate，即可打开vs2015完成编译，我最开始就是这么做的，但始终没有成功，报的错误也看不懂（后来我在知乎上看到有一篇文章，作者说tensorflow各工程之间依赖十分复杂，直接用ALL_BUILD要改一些配置）。所以这里我采用的是vs2015自带的编译工具，如下图

右键-更多-以管理员身份运行，先cd到tensorflow/contrib/cmake/build目录下，再输入以下内容进行configure

cmake .. -A x64 -DCMAKE_BUILD_TYPE=Release -DSWIG_EXECUTABLE=D:/3rd_party/swigwin-3.0.12/swig.exe -DPYTHON_EXECUTABLE=D:/python.exe -DPYTHON_LIBRARIES=D:/libs/python36.lib -Dtensorflow_ENABLE_GPU=ON -Dtensorflow_ENABLE_GRPC_SUPPORT=OFF -Dtensorflow_BUILD_SHARED_LIB=ON
1

说明一下需要自行修改的参数，SWIG_EXECUTABLE是swig.exe所在路径，PYTHON_EXECUTABLE和PYTHON_LIBRARIES分别是python的exe和lib所在路径，这些都需要自己配，而且路径不能含有空格或者中文字符。后面tensorflow_ENABLE_GRPC_SUPPORT涉及到tensorflow线上部署，默认是ON的状态，如果要编译，则需要下载一堆文件，这里我不需要，就关闭了。另外要想指定编译其它内容，可以参考前面cmake-gui的那张图，配置的格式就是"-D+xxx=ON/OFF"。修改完这段话后，即可执行，等待configure done。

configure完成之后，就要开始正式编译动态库了。此时需要打开你的x墙工具，因为编译的过程中，会从网上下载几个文件，虽然都不大，但它们是存储在含有google的网址内的。接下来，在刚才的命令行窗口继续输入

MSBuild /p:Configuration=Release ALL_BUILD.vcxproj
1

注意如果想编debug版本的动态库，就把Release改成Debug。接下来就是漫长的等待了，在我的i7电脑下，编了大概三小时才完成，期间电脑会特别卡（vs默认是多线程编译的）。注意最后不能有错误，否则无法顺利生成tensorflow.lib和tensorflow.dll。最终得到的lib和dll是在tensorflow/contrib/cmake/build/Release目录下，这里提供我编译的一个release版本（备用地址），还包含整理好的头文件。

---

二、基于tensorflow C++ api的inference示例程序

前面编译的方法其实很多网址都能搜到，这里写出来是为了做个记录。接下来写的才是本文的重点：如何利用已训练好的tensorflow模型，在windows下编写inference程序，打包生成exe文件，供线下部署。

1、在vs2015中新建项目，配置环境

头文件的配置如下

说明：第一个eigen是前面所说的矩阵运算库，因为c++没有类似numpy的东西(不过c++14有个xtensor)，所以矩阵运算可以利用eigen的api。E:\Git\tensorflow是我的tensorflow源码根目录，此外还需要包含一些build里面的头文件，因为部分.h和.cc文件是编译的时候生成的。

lib文件配置即配置tensorflow.lib所在目录，此外注意配置tensorflow.dll

2、新建main.cpp。

本程序的主要功能是输入一张图片，读取tensorflow模型，给出运算结果。下面一步步介绍其实现

2.1 宏定义和头文件

先上代码

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

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

using namespace tensorflow;
using std::cout;
using std::endl;
1
2
3
4
5
6
7
8
9
10
11
12

这里需要将宏定义放在最前面，因为涉及到平台、编译器这些，否则就会报一些未定义的错误。另外这里使用了tensorflow的命名空间，是为了使后面的代码更简洁一些。

2.2 读取图片

有两种方式：一是用tensorflow自带的api，参考这里的讨论；二是利用opencv读取，再转化为tensorflow可识别的数据格式，这种方法的好处就是，可以很方便地利用opencv库做一些预处理。下面介绍第二种方法

// 设置输入图像
cv::Mat img = cv::imread(image_path);
cv::cvtColor(img, img, cv::COLOR_BGR2GRAY);
int height = img.rows;
int width = img.cols;
int depth = img.channels();
	
// 图像预处理
img.convertTo(img, CV_32F);
img = (img - 128) / 128.0;

// 取图像数据，赋给tensorflow支持的Tensor变量中
const float* source_data = (float*)img.data;
tensorflow::Tensor input_tensor(DT_FLOAT, TensorShape({1, height, width, depth })); //这里只输入一张图片，参考tensorflow的数据格式NHWC
auto input_tensor_mapped = input_tensor.tensor<float, 4>(); // input_tensor_mapped相当于input_tensor的数据接口，“4”表示数据是4维的。后面取出最终结果时也能看到这种用法                                                                                                      

// 把数据复制到input_tensor_mapped中，实际上就是遍历opencv的Mat数据
for (int i = 0; i < height; i++) {
	const float* source_row = source_data + (i * width * depth);
	for (int j = 0; j < width; j++) {
		const float* source_pixel = source_row + (j * depth);
		for (int c = 0; c < depth; c++) {
			const float* source_value = source_pixel + c;
			input_tensor_mapped(0, i, j, c) = *source_value;
		}
	}
}
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

需要说明的都放在了代码注释当中，这里用到了auto，包括后面的代码也用到了不少，主要原因是我也还未弄清部分数据的格式（后来看到了tf官方的示例，他们也建议用auto，这样代码更简洁一些）。

2.3 建立会话，加载模型文件

模型来自我前段时间训练的验证码识别，注意要保存为.pb格式，这样inference的时候就不用重新搭建网络结构了。注意，该版本的tensorflow，模型文件的路径不能含有中文。

// 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
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;
}
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

2.4 定义输入输出数据格式，run inference，输出数据可视化

// 输入inputs，“ x_input”是我在模型中定义的输入数据名称，此外模型用到了dropout，所以这里有个“keep_prob”
tensorflow::Tensor keep_prob(DT_FLOAT, TensorShape());
keep_prob.scalar<float>()() = 1.0;
std::vector<std::pair<std::string, tensorflow::Tensor>> inputs = {		
	{ "x_input", input_tensor },	
	{ "keep_prob", keep_prob },
};

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

// 运行会话，计算输出"x_predict"，即我在模型中定义的输出数据名称，最终结果保存在outputs中
status = session->Run(inputs, { "x_predict" }, {}, &outputs);
if (!status.ok()) {
	std::cerr << status.ToString() << endl;
	return -1;
}
else {
	cout << "Run session successfully" << endl;
}

// 下面进行输出结果的可视化
tensorflow::Tensor output = std::move(outputs.at(0)); // 模型只输出一个结果，这里首先把结果移出来（也为了更好的展示）
auto out_shape = output.shape(); // 这里的输出结果为1x4x16
auto out_val = output.tensor<float, 3>(); // 与开头的用法对应，3代表结果的维度
// cout << out_val.argmax(2) << " "; // 预测结果，与python一致，但具体数值有差异，猜测是计算精度不同造成的

// 输出这个1x4x16的矩阵（实际就是4x16）
for (int i = 0; i < out_shape.dim_size(1); i++) {
	for (int j = 0; j < out_shape.dim_size(2); j++) {
		cout << out_val(0, i, j) << " ";
	}
	cout << endl;
}
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

输出结果如下图（懒得打码了，请无视我的显卡。。）

至此，模型输出数据的格式也清楚了，完整流程就是这样，想进一步研究Tensor用法的话可以参考这里，完整的代码参考我的GitHub。

---

PS

本次完成所有工程，在网上参考了大量资料，时间关系，这里不分先后，列举一下：tensorflow编译、TensorFlow C++ API案例一、TensorFlow C++ API案例二、TensorFlow C++ API案例三（gist貌似也要x墙？）

距离上一次更新博客已经半年了，主要原因还是自己比较懒，这次总算是做了一点综合性的工作，希望以后能继续。另外吐槽一点，百度的搜索太差劲了，我先前的博客，即使输入原标题也在百度里面搜不到，但是在谷歌里面第一条就是。

PPS

更新一个tensorflow官方的c++ api inference例子