Linux环境下编译TensorFlow C++ API和测试方法总结（完美版）
目录
前言
1、软件下载
2、不同平台版本对应要求
3、环境配置
4、配置TensorFlow安装选项
5、使用bazel进行编译生成动态库
6、编译其他依赖
7、测试一：简单测试编译好的TensorFlow C++ API
8、测试二：Tensorflow C++ API调用Python预训练模型
前言
TensorFlow C++ API的编译是线上使用TensorFlow C++ API调用预先训练好的模型完成预测项目的必经之路，但是TensorFlow C++ API的编译并不是这么顺利，期间遇到了很多错误，它对版本要求非常严格，版本不对应会出现很多问题，尤其protobuf是最重要的一个。本篇是记录TensorFlow C++ API顺利编译和测试的过程，为线上使用TensorFlow C++ API的使用打下基础。
1、软件下载
（1）tensorflow-1.13.1源码（tensorflow 1.13.1）
（2）bazel-0.19.2-installer-linux-x86_64.sh（bazel-0.19.2-installer-linux-x86_64.sh）
（3）Anaconda3-4.3.1-Linux-x86_64.sh（Anaconda3-4.3.1-Linux-x86_64.sh）
（4）protobuf-2.6.1.tar.gz（protobuf-2.6.1.tar.gz）
2、不同平台版本对应要求
注意：TensorFlow C++ API的编译对于bazel等工具的对应版本有要求，版本需要匹配，不然会有很多想不到的错误。
（1）Windows-CPU
| 版本 | Python 版本 | 编译器 | 编译工具 |
|---|---|---|---|
| tensorflow-1.13.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.12.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.11.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.10.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.9.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.8.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.7.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.6.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.5.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.4.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.3.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.2.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.1.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 |
| tensorflow-1.0.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 |
（2）Linux-CPU
| 版本 | Python 版本 | 编译器 | 编译工具 |
|---|---|---|---|
| tensorflow-1.13.1 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.19.2 |
| tensorflow-1.12.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.15.0 |
| tensorflow-1.11.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.15.0 |
| tensorflow-1.10.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.15.0 |
| tensorflow-1.9.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.11.0 |
| tensorflow-1.8.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.10.0 |
| tensorflow-1.7.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.10.0 |
| tensorflow-1.6.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.9.0 |
| tensorflow-1.5.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.8.0 |
| tensorflow-1.4.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.5.4 |
| tensorflow-1.3.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.4.5 |
| tensorflow-1.2.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.4.5 |
| tensorflow-1.1.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.4.2 |
| tensorflow-1.0.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.4.2 |
（3）MacOS-CPU
| 版本 | Python 版本 | 编译器 | 编译工具 |
|---|---|---|---|
| tensorflow-1.13.1 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.19.2 |
| tensorflow-1.12.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.15.0 |
| tensorflow-1.11.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.15.0 |
| tensorflow-1.10.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.15.0 |
| tensorflow-1.9.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.11.0 |
| tensorflow-1.8.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.10.1 |
| tensorflow-1.7.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.10.1 |
| tensorflow-1.6.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.8.1 |
| tensorflow-1.5.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.8.1 |
| tensorflow-1.4.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.5.4 |
| tensorflow-1.3.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.4.5 |
| tensorflow-1.2.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.4.5 |
| tensorflow-1.1.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.4.2 |
| tensorflow-1.0.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.4.2 |
（4） Windows-GPU
| 版本 | Python 版本 | 编译器 | 编译工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow_gpu-1.13.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.12.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.11.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.10.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.9.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.8.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.7.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.6.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.5.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.4.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.3.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.2.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.1.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.0.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
（5）Linux-GPU
| 版本 | Python 版本 | 编译器 | 编译工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow_gpu-1.13.1 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.19.2 | 7.4 | 10.0 |
| tensorflow_gpu-1.12.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.11.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.10.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.9.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.11.0 | 7 | 9 |
| tensorflow_gpu-1.8.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.10.0 | 7 | 9 |
| tensorflow_gpu-1.7.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.9.0 | 7 | 9 |
| tensorflow_gpu-1.6.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.9.0 | 7 | 9 |
| tensorflow_gpu-1.5.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.8.0 | 7 | 9 |
| tensorflow_gpu-1.4.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.5.4 | 6 | 8 |
| tensorflow_gpu-1.3.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.4.5 | 6 | 8 |
| tensorflow_gpu-1.2.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.4.5 | 5.1 | 8 |
| tensorflow_gpu-1.1.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.4.2 | 5.1 | 8 |
| tensorflow_gpu-1.0.0 | 2.7、3.3-3.6 | GCC 4.8 | Bazel 0.4.2 | 5.1 | 8 |
（6）MacOS-GPU
| 版本 | Python 版本 | 编译器 | 编译工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow_gpu-1.1.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.4.2 | 5.1 | 8 |
| tensorflow_gpu-1.0.0 | 2.7、3.3-3.6 | XCode 中的 Clang | Bazel 0.4.2 | 5.1 | 8 |
3、环境配置
（1）安装Anaconda
/mnt/f/linux$ ./Anaconda3-4.3.1-Linux-x86_64.sh安装过程中如果忘记将Anaconda添加环境变量，请使用以下方法添加环境变量。
方法一： 将Anaconda添加环境变量（该方法退出Linux重启后无效）
$ export PATH=/home/asialee/anaconda3/bin:$PATH
$ source ~/.bashrc方法二：将Anaconda永久添加环境变量（该方法退出Linux重启后仍有效，配置稍微麻烦点）
$sudo vim /etc/profile然后在打开的profile文本最后一行添加：export PATH=~/anaconda3/bin:$PATH
最后注入环境变量，让其立即生效，重启也有效
source /etc/profile添加环境变量完成后，输入python后得到显示，即配置完成。
（2）安装部分软件
安装bazel或者以下编译操作可能需要安装的部分软件如下：
$ sudo apt install unzip
$ sudo apt install make
$ sudo apt install g++
$ sudo apt install gcc
$ sudo apt install cmake
sudo apt-get install autoconf
sudo apt-get install automake
sudo apt-get install libtool
sudo apt install curl（used to download gmock）
sudo apt-get install zlib1g-dev
sudo apt-get install liblzma-dev如果安装不成功，则需要更新sudo后再尝试安装，即：sudo apt update。
（3）安装bazel
$ ./bazel-0.19.2-installer-linux-x86_64.sh --user（4）安装protobuf
protobuf是最重要的一个，对版本要求非常严格，版本不对应会出现很多问题；本次使用的版本是protobuf 2.6.1，比较稳定。
解压protobuf-2.6.1.tar.gz
/mnt/f/linux$ tar -zxvf protobuf-2.6.1.tar.gz进入解压后的protobuf-2.6.1文件目录，执行以下命令
/mnt/f/linux/protobuf-2.6.1$ ./configure
/mnt/f/linux/protobuf-2.6.1$ make
/mnt/f/linux/protobuf-2.6.1$ make install注意：如果输入make install 时会出现make: *** [install-recursive] Error 1问题，则输入sudo make install 即可解决。
方法一：将protobuf加入环境变量（该方法重启后无效）
$ export LD_LIBRARY_PATH=/usr/local/lib方法二： 将protobuf永久加入环境变量（重启后仍有效）
- $sudo vim /etc/profile
- 然后在打开的profile文本最后一行添加：export LD_LIBRARY_PATH=/usr/local/lib
- 最后注入环境变量，让其立即生效，重启也有效：source /etc/profile
查看版本以验证安装
$ protoc --version4、配置TensorFlow安装选项
进入源码根目录，运行 ./configure 进行配置。可参考 官网 -> Build from source -> View sample configuration session 设置，如果只需要配置cpu环境就一直回车。
/mnt/f/linux/tensorflow-1.13.1$ ./configure5、使用bazel进行编译生成动态库
#编译C++ API，生成.so文件，Tensorflow调用CUDA
/mnt/f/linux/tensorflow-1.13.1$ bazel build --config=opt --config=cuda //tensorflow:libtensorflow_cc.so#编译C++ API，生成.so文件，Tensorflow不调用CUDA
/mnt/f/linux/tensorflow-1.13.1$ bazel build --config=opt //tensorflow:libtensorflow_cc.so等待编译大约半个多小时，就成功编译：
编译成功后，tensorflow-1.13.1目录下会出现 bazel-xxx 的几个文件，在tensorflow-1.13.1/bazel-bin/tensorflow文件下会出现 libtensorflow_cc.so 和 libtensorflow_framework.so 动态库文件。（动态库文件下载）
6、编译其他依赖
cd /mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile$ ./build_all_linux.sh执行成功后，在tensorflow-1.13.1/tensorflow/contrib/makefile目录下：downloads文件夹下存放第三方依赖的一些头文件和静态库，比如nsync、Eigen、protobuf等。
说明：Eigen 是一个高层次的C ++库，有效支持线性代数，矩阵和矢量运算，数值分析及其相关的算法；Protocol Buffers （简称 Protobuf）是 Google 开源的一款跨语言，跨平台，扩展性好的序列化工具，相比于 XML 和 JSON 等流行的编码格式，这种数据结构化语言需要使用protoc进行编译。
7、测试一：简单测试编译好的TensorFlow C++ API
（1）创建一个demo文件夹，demo文件夹下具体内容目录如下
├── src
| └── test.cpp
├── CMakeLists.txt其中，test.cpp为C++测试代码，具体如下：
#include
#include
#include
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";
}
CMakeLists.txt文件内容如下：
#指定 cmake 的最小版本
cmake_minimum_required(VERSION 2.8.8)
#项目名称/工程名
project(demo)
#设置c++编译器
# Set C++14 as standard for the whole project
set(CMAKE_CXX_STANDARD 14)
#设置TENSORFLOW_DIR变量，变量内容为安装的tensorflow文件夹路径
set(TENSORFLOW_DIR /mnt/f/linux/tensorflow-1.13.1)
# 将源码目录保存到变量中
aux_source_directory(./src DIR_SRCS) # 搜索当前目录下的所有.cpp文件
#add_library(demo ${SRC_LIST}) #明确指定包含哪些源文件
#设置包含的目录，项目中的include路径，换成自己的路径即可
include_directories(
${CMAKE_CURRENT_SOURCE_DIR}
/mnt/f/linux/tensorflow-1.13.1
/mnt/f/linux/tensorflow-1.13.1/bazel-genfiles
/mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow
/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/nsync/public
/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/eigen
/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/absl
)
#设置链接库搜索目录，项目中lib路径
link_directories(${TENSORFLOW_DIR}/tensorflow/contrib/makefile/downloads/nsync/builds/default.linux.c++11)
link_directories(${TENSORFLOW_DIR}/mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow) #动态链接库目录
#添加要编译的可执行文件
#add_executable(demo test.cpp)
add_executable(demo ${DIR_SRCS}) ## 生成可执行文件
#设置 target 需要链接的库
#添加可执行文件所需要的库,连接libtensorflow_cc.so和libtensorflow_framework库，链接动态链接库
#target_link_libraries(demo tensorflow_cc tensorflow_framework)
target_link_libraries(demo /mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow/libtensorflow_cc.so /mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow/libtensorflow_framework.so)（2）编译和运行
mkdir build #创建build文件，是为了将编译程序放到build文件中
cd build
cmake .. #使用cmake构建生成make文件
make #使用make编译
./demo #运行可执行文件运行结果如下：
8、测试二：Tensorflow C++ API调用Python预训练模型
线下使用TensorFlow Python API训练模型，线上使用TensorFlow C++ API调用预先训练好的模型完成预测。
测试流程：
- 使用TensorFlow Python API编写和训练模型，训练完成后，使用tensorflow saver 将模型保存下来。
- 使用TensorFlow C++ API构建新的session，读取Python版本保存的模型，然后使用session->run()获得模型的输出。
- 编译和运行基于TensorFlow C++ API写的代码
（1）使用Tensorflow Python API线下定义模型和训练
# -*-coding:utf-8 -*-
import tensorflow as tf
import os
# 使用Tensorflow Python API线下定义模型和训练
def tain_model():
train_dir = os.path.join('data/demo', "demo")
a = tf.compat.v1.placeholder(dtype=tf.int32, shape=None, name='a')
b = tf.compat.v1.placeholder(dtype=tf.int32, shape=None, name='b')
y = tf.Variable(tf.ones(shape=[1], dtype=tf.int32), dtype=tf.int32, name='y')
res = tf.add(tf.multiply(a, b), y, name='res')
with tf.Session() as sess:
feed_dict = dict()
feed_dict[a] = 2
feed_dict[b] = 3
fetch_list = [res]
sess.run(tf.compat.v1.global_variables_initializer())
saver = tf.compat.v1.train.Saver()
# 训练和保存模型
res = sess.run(feed_dict=feed_dict, fetches=fetch_list)
saver.save(sess, train_dir)
print("result: ", res[0])
#使用Tensorflow Python API 载入和运行模型
def load_model():
with tf.Session() as sess:
saver = tf.compat.v1.train.import_meta_graph('data/demo/demo.meta')
saver.restore(sess, tf.train.latest_checkpoint('data/demo/'))
# sess.run()
graph = tf.compat.v1.get_default_graph()
a = graph.get_tensor_by_name("a:0")
b = graph.get_tensor_by_name("b:0")
feed_dict = {a: 2, b: 3}
op_to_restore = graph.get_tensor_by_name("res:0")
print(sess.run(fetches=op_to_restore, feed_dict=feed_dict))
if __name__ == '__main__':
#先训练模型
tain_model()
#导入训练好的模型测试结果
load_model()
运行结果如下：
result: [7]
[7]生成的模型保存在demo文件夹下：
checkpoint #模型checkpoint中的一些文件名的信息
demo.data-00000-of-00001 #模型中保存的各个权重
demo.index #可能是保存的各个权重的索引
demo.meta #模型构造的图的拓扑结构（2）使用Tensorflow C++ API读入预训练模型
Tensorflow C++代码写入test.cpp文件中：
#include
#include "tensorflow/core/public/session.h"
#include "tensorflow/core/protobuf/meta_graph.pb.h"
#include "tensorflow/cc/client/client_session.h"
#include "tensorflow/cc/ops/standard_ops.h"
#include "tensorflow/core/framework/tensor.h"
using namespace std;
using namespace tensorflow;
int main()
{
const string pathToGraph = "/mnt/f/linux/demo/demo_model/demo.meta";
const string checkpointPath = "/mnt/f/linux/demo/demo_model/demo";
auto session = NewSession(SessionOptions());
if (session == nullptr)
{
throw runtime_error("Could not create Tensorflow session.");
}
Status status;
// 读入我们预先定义好的模型的计算图的拓扑结构
MetaGraphDef graph_def;
status = ReadBinaryProto(Env::Default(), pathToGraph, &graph_def);
if (!status.ok())
{
throw runtime_error("Error reading graph definition from " + pathToGraph + ": " + status.ToString());
}
// 利用读入的模型的图的拓扑结构构建一个session
status = session->Create(graph_def.graph_def());
if (!status.ok())
{
throw runtime_error("Error creating graph: " + status.ToString());
}
// 读入预先训练好的模型的权重
Tensor checkpointPathTensor(DT_STRING, TensorShape());
checkpointPathTensor.scalar()() = checkpointPath;
status = session->Run(
{{ graph_def.saver_def().filename_tensor_name(), checkpointPathTensor },},
{},
{graph_def.saver_def().restore_op_name()},
nullptr);
if (!status.ok())
{
throw runtime_error("Error loading checkpoint from " + checkpointPath + ": " + status.ToString());
}
// 构造模型的输入，相当与python版本中的feed
std::vector> input;
tensorflow::TensorShape inputshape;
inputshape.InsertDim(0,1);
Tensor a(tensorflow::DT_INT32,inputshape);
Tensor b(tensorflow::DT_INT32,inputshape);
auto a_map = a.tensor();
a_map(0) = 2;
auto b_map = b.tensor();
b_map(0) = 3;
input.emplace_back(std::string("a"), a);
input.emplace_back(std::string("b"), b);
// 运行模型，并获取输出
std::vector answer;
status = session->Run(input, {"res"}, {}, &answer);
Tensor result = answer[0];
auto result_map = result.tensor();
cout<<"result: "< （3）编译和运行
编写CMakeLists.txt文件，文件内容如下：
#指定 cmake 的最小版本
cmake_minimum_required(VERSION 2.8.8)
#项目名称/工程名
project(demo)
#设置c++编译器
# Set C++14 as standard for the whole project
set(CMAKE_CXX_STANDARD 14)
#设置TENSORFLOW_DIR变量，变量内容为安装的tensorflow文件夹路径
set(TENSORFLOW_DIR /mnt/f/linux/tensorflow-1.13.1)
# 将源码目录保存到变量中
aux_source_directory(./src DIR_SRCS) # 搜索当前目录下的所有.cpp文件
#add_library(demo ${SRC_LIST}) #明确指定包含哪些源文件
#设置包含的目录，项目中的include路径，换成自己的路径即可
include_directories(
${CMAKE_CURRENT_SOURCE_DIR}
/mnt/f/linux/tensorflow-1.13.1
/mnt/f/linux/tensorflow-1.13.1/bazel-genfiles
/mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow
/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/nsync/public
/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/eigen
/mnt/f/linux/tensorflow-1.13.1/tensorflow/contrib/makefile/downloads/absl
)
#设置链接库搜索目录，项目中lib路径
link_directories(${TENSORFLOW_DIR}/tensorflow/contrib/makefile/downloads/nsync/builds/default.linux.c++11)
link_directories(${TENSORFLOW_DIR}/mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow) #动态链接库目录
#添加要编译的可执行文件
#add_executable(demo test.cpp)
add_executable(demo ${DIR_SRCS}) ## 生成可执行文件
#设置 target 需要链接的库
#添加可执行文件所需要的库,连接libtensorflow_cc.so和libtensorflow_framework库，链接动态链接库
#target_link_libraries(demo tensorflow_cc tensorflow_framework)
target_link_libraries(demo /mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow/libtensorflow_cc.so /mnt/f/linux/tensorflow-1.13.1/bazel-bin/tensorflow/libtensorflow_framework.so)编译及结果如下：
注意：在测试的的时候可能会遇到的protobuf版本错误问题，如果遇到了该问题，则需要解决protobuf版本问题，重新编译后再测试。
错误描述：
#if 2006001 < GOOGLE_PROTOBUF_MIN_PROTOC_VERSION#error This file was generated by an older version of protoc which is#error incompatible with your Protocol Buffer headers. Please#error regenerate this file with a newer version of protoc.#endif
错误原因：
问题可能在于，系统上已安装的标头（在/ usr / include / google / protobuf或/ usr / local / include / google / protobuf中）来自于协议缓冲区的较新版本protoc。可能是两个版本都安装在不同的位置，并且使用了错误的版本。