线上环境为linux的系统为 centoos6.2， glibc2.12， gcc4.4.7。我们需要在这种在线环境上部署的已有在线引擎代码中嵌入tensorflow模块，用于线上引擎调用tensorflow相关功能。
最后将tf1.8编译成了独立的.so包，通过接口函数调用该包所包含的功能。
遇到问题如下：
1、tensorflow要求bazel版本，以及gcc版本，protobuf版本均较高，而线上引擎编译一般会选择较为稳定的旧版本，无法满足安装要求。
2、tensorflow 训练的时候是多batch进行训练，而打分的时候是过来一条请求进行一次打分。那么就会出现训练产生的图与打分用到的图不一致的问题，这里的不一致主要是指输入输出不一致，而中间的图结构是相同的(要都不相同那改玩儿个哈士奇啊)。在python训练以及打分时候我们可以通过参数传入，走不同的代码，但是如果c++进行load图的时候应该如何解决该问题。
3、由高版本编译环境产生的.so包，该如何由低版本的gcc进行编译。如果线上也使用到protobuf，那么新旧版本的protobuf该如何兼容。
4、模型调用类该怎么写，怎么与线上引擎代码结合。
解决方法：
关于问题1：
首先我们找一台新的机器，首先配置环境与线上引擎代码编译环境完全相同。然后安装高版本的gcc，pb，jdk等等依赖软件，但此时切记，不要覆盖已有版本，而需要多版本共存。实在无法共存的，那么采用这种方式。
eg：/usr/bin/gcc，系统默认的版本较低，而在编译其他依赖的时候系统会默认调用/usr/bin/gcc进行编译。那么在此我们选择将系统的gcc备份，然后用软链链接到我们的新版本gcc。
mv gcc gcc.bak
ln -s /usr/local/gcc-4.9.4/bin/gcc gcc
关于问题2：
有两种方式可以解决该问题：
tensorflow加载离线训练的模型有两种方式，一种直接加载checkpoint文件，另一种为通过freeze_graph.py程序(位置为：tensorflow/python/tools/free_graph.py)将checkpoint模型文件转化为pb文件。下面我们针对这两种方式进行讲解。
way_a: 将模型转换为protobuf文件，然后进行加载。
我们以预测的参数加载模型，session加载checkpoint成功
saver.restore(sess, ckp_file)
tf.train.write_graph(sess.graph.as_graph_def(),graph_struct, 'graph.pb', as_text=False) ----------- point_1
tf.train.write_graph(sess.graph.as_graph_def(),graph_struct, 'graph.txt', as_text=True) ----------- point_2
将模型中图节点通过pb格式提取，运行freeze_graph.py，将整个模型load出来。在此。freeze_graph.py需要指定的参数如下：
python freeze_graph.py --input_graph="graph.pb"--input_checkpoint=model.ckpt --output_graph="frozen_graph.pb"--output_node_names="target_output_node" --input_binary=True
input_graph 我们产生的pb图节点文件。
input_checkpoint 训练生成的checkpoint文件（上文中提到的point_1）
output_graph 输出文件的file_path
output_node_names 这个是非常重要的，指定输出节点的名称。
首先我们要清楚我们我们训练的图的输出节点是哪个，比如我们是通过softmax来进行输出(打分的python代码中可能是这样的softmax_outputs
= tf.nn.softmax(model_outputs, name='this_softmax_output')，其中name是自己指定的)，然后通过point_2产生的那个graph.txt文件，查看与this_softmax_output有关的节点，然后选择你要输出的节点的名称。
最终要c++预测代码想要使用的图模型就是新产生的pb文件（不是point_1产生的那个pb）
way_b: 将离线生成的模型通过预测代码重新load起来，然后再次落地到checkpoint里面。这样就可以产生预测图的结构。运行时候加载。
关于问题3：
这个是最棘手的问题，被tf这破玩意折腾了好几个礼拜就是在配破环境，缺了这个包缺那个包，这个不兼容那个不兼容，还要tprotobuf3.5.1。真尼玛先进，用了你的影响了线上引擎已有代码使用protobuf，用了线上已有protobuf你有不能用了，真是矫情。要是tensorflow化身为人，我得拿电脑砸死他，用硬盘砸，用机箱的棱角砸，然后在用主板一条一条的往下拉他肉。
解决方式，所有的依赖 c++，protobuf，全部的全部，以静态库的形式加载，并且编译的时候将生成的.so包中所有的函数名啦什么的都隐藏起来。这样就保证libtf_fun.so中相关调用就调用这个.so包里的内容。而外面调用该引擎的c++代码看不到libtf_fun.so中的任何接口，只能调用引擎原本用的包。ps，要真都这样了，那在引擎里还咋用tensorflow啊。关于隐藏函数名啥的，是要选择暴露一部分，这部分就是我们提供的接口。比如自己写一个类，这个类就是要调用tensorflow相关的接口，load_model, predict 等等功能封装起来，然后把这个类里的函数都暴露出来，这样的话，我们就可以在任何场景下调用tensorflow了。具体验证方式：
ldd libtf_fun.so 出来的依赖，除了最基本最基本的c库(由于c库是linux最底层的库，不要更改，即使更改了也无法通过多版本加载的方式进行调用)以外，没有任何其他依赖，比如我这里是这样的。
libdl.so.2 =>/lib64/libdl.so.2
libpthread.so.0 =>/lib64/libpthread.so.0
libm.so.6 =>/lib64/libm.so.6
libc.so.6 => /lib64/libc.so.6
/lib64/ld-linux-x86-64.so.2
这样就达到了无依赖。
nm tf_lib/naive_lib/libtf_fnn.so 这个命令是要输出某些文件中的符号(如函数，全局变量等等)。主要看第二个字段与第三个字段，第二个字段大写的T话就表示是全局可见的，如果是小写t，那就是隐藏的。而我们就需要只让我们想要暴露出来的函数是T，而其他所有的所有都是隐藏的
nm tf_lib/naive_lib/libtf_rnn.so | awk -F
" " '{if($2=="T")print $0}' 这么输出出来以后如果只有想要暴露出来的接口，那么大功告成了。
关于问题4：
首先，我们需要写一个使用模型预估的接口。我这边是写了个结构体(包括了，输入输出参数，以及load起来的session)。这样的话，首先我么可以通过本地写一个main函数来进行调用调试代码，这样的话就能排除线上引擎代码的兼容问题进行调试。真正和线上引擎代码融合的时候，写一个TensorFlowFun的类，包含init函数，predict函数。这样线上调用的时候不就爽歪歪了么。
ok，解决方式说完了，我们接下来看具体步骤：
1、安装gcc的时候需要安装.a的版本
原因：tensorflow的c++对gcc版本要求较高，至少需要gcc4.8。在此我们选择了比较新的4.9.4。而且安装的时候需要生成静态库，即/usr/local/gcc-4.9.4/lib64/libstdc++.a
下载方法：
http://mirrors.kernel.org/gnu/gcc/ 选择4.9.4版本 解压到任意位置，例如~/gcc-4.9.4
运行 sh ./contrib/download_prerequisites
由于有个别文件总是无法自动下载成功。所以先手动下载所有的依赖吧，修改该脚本，直接使用本地的包进行解压，链软连工作。
由于线上引擎的gcc版本不可能为4.9.4这么新，那么我们安装gcc4.9.4的时候需要多版本安装(也就是说安装4.9.4以后对已有gcc版本不会造成任何影响)
mkdir build-gcc-4.9.4
cd build-gcc-4.9.4
进行配置：
../gcc-4.9.4/configure --prefix=/usr/local/gcc-4.9.4/--enable-checking=release --enable-languages=c,c++ --disable-multilib--enable-host-shared
编译gcc
make -j
安装(该步需要root权限)
make install
ok，gcc安装成功，收工
2、安装bazel
需要实现安装jdk1.8
然后下载源码，此处安装的是bazel-0.12.0 在此我们通过复制git上的包地址进行下载，千万注意下载这个包的时候很容易下载出来个半成品。要注意下载数据的完整性，建议可通过迅雷下载，很稳。
记得下载bazel-0.12.0-dist.zip 这个，不要用tar.gz的，太多依赖了。不太清楚具体是因为什么。这个坑蹚了很久，mlgb，一个解压包，mlgb的这么多门门道道，搞什么搞。真是日了吃金坷垃的猪了。用tar.gz的包各种依赖，比如GRPC_JAVA_PLUGIN。而用 bazel-0.12.0-dist.zip真的很顺畅
但是pb应该也要依赖，这个是蹚tar.gz包安装的，就这么装着吧。
protobuf 3.5.1安装 官方包 耗时略长
tar -xvf protobuf-3.5.1.tar.gz
cd protobuf-3.5.1
sh autogen.sh
./configure --prefix=/usr/local/protobuf
make -j
make install (此不需要root权限)
然后继续安装bazel，发现还有一个问题。我们在此这么指定PROTOC
export PROTOC=/usr/local/protobuf/bin/protoc
我们继续填坑
3、安装anaconda2的python。
ok，所有的依赖都下载结束，接下来就应该配置tensorflow的安装环境了
我们从github上下载tf 1.8的代码然后解压
tensorflow-1.8.0 ./configure
修改情况：
1、安装gcc的时候需要安装.a的版本
configure --prefix=/usr/local/gcc-4.9.4/--enable-checking=release --enable-languages=c,c++ --disable-multilib--enable-host-shared
2、tensorflow/tensorflow.bzl
@@ -264,7 +264,7 @@
name,
srcs=[],
deps=[],
- linkopts=[],
+ linkopts=['-lrt'],
framework_so=tf_binary_additional_srcs(),
**kwargs):
native.cc_binary(
@@ -1264,7 +1264,7 @@
)
def tf_extension_linkopts():
- return [] # No extension linkopts
+ return ["-lrt"] # Noextension link opts
def tf_extension_copts():
return [] # No extension copts
3、/bazel-tensorflow-master/external/local_config_cc/CROSSTOOL
#linker_flag:"-lstdc++"
linker_flag:"-l:libstdc++.a"
4、编译的时候需要指定
tf_cc_binary(
name = "libtf_rnn.so",
srcs =["tf_rnn/tf_rnn.cc",
"tf_rnn/tf_rnn.h",
],
linkshared=1,
linkstatic=1,
deps = [
":cc_ops",
":client_session",
"//tensorflow/core:all_kernels",
"//tensorflow/core:core_cpu_internal",
"//tensorflow/core:framework",
"//tensorflow/core:framework_internal",
"//tensorflow/core:protos_all_cc",
"//tensorflow/core:lib",
"//tensorflow/core:tensorflow",
"//tensorflow/c:checkpoint_reader",
],
linkopts = [
#"-static-libstdc++",
"-Wl,--exclude-libs,ALL",
"-static-libgcc",
]
)
5、编译时候命令：
~/xuhongbin/dep_lib/bazel-0.12.0/output/bazel build --defineframework_shared_object=false //tensorflow/cc:libtf_rnn.so
6、线上代码使用，切记图的相关信息不能放到master里初始化，然后再fork出进程。必须要放到worker里面初始化。
这种方式部署起来比较麻烦，本人不太建议通过这种方式进行部署，而是推荐通过tf_serving的方式来进行部署。如果有人感兴趣，可加博主的微信进行讨论 395339042。谢谢。还有一些必要的软件，本人已经下载好，可通过邮箱发布，感谢阅读。