windows下编译tensorflow2.5.0 c++库并调用

近期使用python+keras+unet网络训练了一个图像分割模型（.h5），因为最终需要在C++中使用，所以需要2步转换：

1. 模型转换（h5 —> pb）：需要的朋友可以参考一下之前写的文章。模型转换
2. 编译tensorflow，生成C++库：本文重点说明的内容。

说明：keras没有c++相关接口，所以不能直接在c++中调用由keras.save生成的h5模型，需要将其转换为pb模型，由tensorflow c++相关接口来调用。

1、开始之前

• 明确需要编译的tensorflow版本，这个和训练模型时使用的tensorflow版本有关，最好保持编译的版本和训练的版本一致，因为版本不一致可能导致后期使用报错。
• 保证网络畅通，且能科学上网，编译过程中需要下载大量的依赖库和文件(很多来自git)。网络不畅经常会导致编译过程出错，很让人崩溃呀。
• 保证磁盘空间充足，我编译完后的文件几十个G。
• 要有耐心，因为编译过程中可能会出现很多错误，需要自己去动手解决，不过大多数问题都可以在网上找到解决方法。

2、准备工作

1、编译环境说明：

win10 + bazel4.1.0 + msys2 + tensorflow2.5.0

最终成功编译生成tensorflow GPU版本的C++库

2、各软件下载地址及大体流程：

• step1 安装VS2017
• step2 安装CUDA11.0
• step3 下载tensorflow
• step4 下载tensorflow-windows-build-script
• step5 安装MSYS2
• step6 安装bazel
• step7 使用powershell进行编译
• step8 编译问题及解决方法
• step9 整理生成的dll、lib、include

可通过[百度网盘]获取，提取码：0p8t，其中包括VS2017安装包+tensorflow2.5.0+tensorflow-windows-build-scrip+bazel4.1.0+msys2。

3、开始

step1 安装VS2017

相信大部分小伙伴都已经安装过VS，若还没安装，网上资源很多，可自行安装。

安装地址VS2017：其它版本也可通过此链接下载，VS和tensorflow编译过程无关，主要用于后期C++编程。

step2 安装CUDA11.0

早期安装过，具体流程没有记录，网上资源也很多，大家可根据自己显卡型号选择安装。若编译CPU版本，则可忽略此步骤。

附上CUDA下载地址，可参考：
https://developer.nvidia.com/cuda-toolkit-archive
cuDNN下载地址：
https://developer.nvidia.com/rdp/cudnn-archive
安装过程可参考：
https://www.cnblogs.com/farewell-farewell/p/14046076.html
https://blog.csdn.net/atpalain_csdn/article/details/90755764

step3 tensorflow下载

进入tensorflow下载页面，下载所需版本，具体如图所示：

step4 下载tensorflow-windows-build-script

进入git，下载master分支代码，下载地址：tensorflow-windows-build-script

当tensorflow及tensorflow-windows-build-script两个zip均下载完成后，新建一个文件夹命名为tensorflow2.5（根据个人情况，我新建的文件夹放在F:\tensorflow_c++_tools\目录下）

1. 将下载好的tensorflow-2.5.0.zip解压至新建文件夹下(tensorflow2.5下)，并将解压的文件夹重命名为source，此处必须重命名，因为后期编译过程中涉及的路径名称为source，不重新命名会报错没有找到source文件夹。

2. 将下载好的tensorflow-windows-build-script.zip解压，然后将其中的patches文件夹和build.ps1文件复制到F:\tensorflow_c++_tools\tensorflow2.5目录下。
   

3. 将patches文件夹下的eigen_half.patch复制到F:\tensorflow_c++_tools\tensorflow2.5\source\third_party目录下：
   

4. 将patches下的tf_exported_symbols_msvc.lds复制到F:\tensorflow_c++_tools\tensorflow2.5\source\tensorflow目录下：
   

5. 使用文本编辑器打开build.ps1，使用“#”注释掉179行代码：

Copy-Item …\patches\tf_exported_symbols_msvc.lds tensorflow\

step5 安装MSYS2

进入MSYS2【官网】，选择msys2-x86_64-20210604.exe下载，具体步骤如图所示，也可在官网上进行查看，有详细的安装及更新教程：

下载好后打开exe进行安装，点击 Next:

选择安装路径点击Next继续安装，我的安装路径不在C盘：

继续Next：

等待安装完成，点击Finish即可完成安装。若选择了Run MSYS2 64bit now，则会弹出一个类似于cmd的窗口；若没有弹出，则在安装路径下找到msys2.exe，点击运行即可。

按照官网提示，依次输入以下命令：

pacman -Syu

提示是否安装时，输入y，回车即可。

pacman -S git

此处我已经是最新版本了，输入y，回车即可。

 pacman -S patch unzip grep

同上，输入y，回车。

至此，MSYS2安装更新完成。接下来需要将其添加至环境变量中。

F:\tensorflow_c++_tools\msys
F:\tensorflow_c++_tools\msys\usr\bin
大家根据自己的安装路径进行添加。

右键“我的电脑(ThisPC)”，选择属性(Properties)，选择关于(About)，选择系统防护(System protection)，选择高级(Advanced)，就是以下界面。

step6 安装bazel

进入git下载合适的bazel版本，下载地址：https://github.com/bazelbuild/bazel/tags。

大家可根据自己的tensorflow版本查看bazel对应版本，版本对应查询，此处贴出部分以供参考。


下载过程如下：

选择所需版本，如图所示为bazel 5.0.0，点击Download

页面往下拖，会看到很多系统的安装包，选择windows下exe或者zip下载即可。

将下载好的exe文件复制到F:\tensorflow_c++_tools\msys下，具体路径根据自己安装位置决定，并且将名字命名为bazel.exe

然后配置bazel环境变量，新建三个系统变量：BAZEL_SH，BAZEL_VC，BAZEL_VS，各路径如图所示：

说明：该环境变量应该是为了指定编译器，tensorflow编译过程中会自动指定编译器，但是最好自己指定。我偷懒并没有设置该步骤。

环境变量	对应值
BAZEL_SH	F:\tensorflow_c++_tools\msys\usr\bin\bash.exe
BAZEL_VC	C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC
BAZEL_VS	C:\Program Files (x86)\Microsoft Visual Studio 12.0

配置如图所示：

首先进入环境变量设置界面，参考step4相关过程，然后点击New，依次输入名称和值，点击ok即可：

step7 使用powershell进行编译

进入C:\Windows\SysWOW64\WindowsPowerShell\v1.0下，使用管理员运行powershell.exe：

将路径切换至刚新建的文件夹中下，如F:\tensorflow_c++_tools\tensorflow2.5，注意不是source文件夹：

cd F:\tensorflow_c++_tools\tensorflow2.5

然后输入bazel编译的选项：

$parameterString = "--config=opt --config=cuda --define=no_tensorflow_py_deps=true --copt=-nvcc_options=disable-warnings //tensorflow:libtensorflow_cc.so --verbose_failures"

最后输入以下命令，执行build.ps1脚本：

.\build.ps1 -BazelBuildParameters $parameterString -BuildCppAPI -ReserveSource

需要编译GPU版本，在CUDA support选项输入y，需要确保已经正确安装CUDA，不然会报错。
接下来需要输入GPU算力，此处需要查看自己电脑GPU算力，方法如下：

1. 进入目录 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\extras\demo_suite
   
2. 点击空白处，删除所有东西，然后输入’cmd’，并按下回车键 如下图所示
   
3. 输入deviceQuery.exe，我的算力为6.1：
   
   将6.1填入对应选项中，如图所示：
   
   编译过程耗时很长，需要耐心等待。。。

至此，所有编译工作都已结束，不出意外的话，只要等到编译完成就ok了。但是，一般情况下会有很多错误，在此总结一下我遇到的一些问题。

当出现Build completed successfully时，说明编译已经完成。

step8 编译问题及解决方法

1、执行命令时报错 UnauthorizedAccess

powershell的执行策略受限，输入命令查看当前执行策略：

Get-ExecutionPolicy

若显示为Restricted则说明为受限，需要取消限制，输入，询问是否执行时，输入y回车即可：

Set-ExecutionPolicy Unrestricted

再次输入查询命令查看是否成功取消限制，显示为Unrestricted说明解除限制成功：

Get-ExecutionPolicy

2、 The term 'py' is not recognized

如图所示，该错误是因为build.ps1脚本引起，打开build.ps1脚本，190行开始，对应位置修改如下：

python  -m venv venv   #将py -3 修改为python
pip                                #将pip3修改为pip
python configure.py     #将py修改为python

3、 Build did NOT complete successfully (0 packages loaded)

下载依赖包失败，主要是因为网络不畅导致，此处需要科学上网，因为我是公司内网，不上梯子基本跑不了，不知道外网可不可以直接跑。

4、OpenSSL SSL_connect: Connection was reset in connection to github.com:443

我当时已经上了梯子，但是还是报这个错误，意思是连接不上443端口。
首先输入以下命令查看配置情况，检查是否有https.proxy及http.proxy项：

 git config --global -l

设置全局代理设置，根据梯子代理软件端口进行修改，我的是1080端口：

git config --global https.proxy 127.0.0.1:1080

已有设置情况修改代理项：

git config --global --unset http.proxy
git config --global --unset https.proxy

设置好全局代理基本就能保证网络畅通，我的设置如下：

查看代理打开情况，或者通过代理软件进行查看：


5、其它错误说明

一些其它的错误，当时忘记记录了，比如提示bazel版本错误、***.gz压缩包下载失败、无法解析的外部符号、其它错误等，不过这种错误可以通过错误信息找出来，很容易进行修改。刚开始我在尝试编译tf2.4.1版本时遇到某个压缩包下载失败的，结果发现那个压缩包现在已经没有了…换了其它版本的压缩包还是报错，所以果断换了tf2.5.0版本。tf2.4.1版本有个包下载不到：

step9 整理生成的文件

如果编译完成，那么恭喜你，已经完成了一大步。接下来，只需要整理生成的文件，取出需要的dll、lib、include放入项目中即可。
参考了很多教程，有的需要的头文件特别多导致文件很大，我在使用的过程中，只提取了以下内容：
说明：在编译完成时，会显示当前生成的.so路径，可以根据提供的路径找到对应文件（由于当时没有截图，所以此处就不放图了）。

1、dll和lib文件：lib是否需要改名，看vs配置情况，我在此处将其改为tensorflow.lib，dll不需要改名

我的在路径为：

C:\Users\ding_bazel_ding\4vuxoxbl-1\execroot\org_tensorflow\bazel-out\x64_windows-opt\bin\tensorflow

2、include文件夹中所包含的文件：

我一共往里边放了8个文件夹，其中有重复文件夹。

拷贝路径说明：

• absl：

C:\Users\ding_bazel_ding\4vuxoxbl\external\com_google_absl\absl

• Eigen：

C:\Users\ding_bazel_ding\4vuxoxbl\external\eigen_archive\Eigen

• eigen_archive：

C:\Users\ding_bazel_ding\4vuxoxbl\external\eigen_archive

• eigen3：

F:\tensorflow_c++_tools\tensorflow2.5\source\third_party

• nsync：

C:\Users\ding_bazel_ding\4vuxoxbl\external\nsync

• protobuf：为自己创建文件夹，里边分别放入 google和solaris两个文件夹

C:\Users\ding_bazel_ding\4vuxoxbl\external\com_google_protobuf\src

• tensorflow：

C:\Users\ding_bazel_ding\4vuxoxbl\execroot\org_tensorflow\bazel-out\x64_windows-opt\bin\tensorflow

• third_party：

C:\Users\ding_bazel_ding\4vuxoxbl\execroot\org_tensorflow\bazel-out\x64_windows-opt\bin

所有include、lib和dll准备完毕。

4、测试

首先需要配置环境，选择Relese x64，刚开始选择Debug老是报错，不知道为啥。
（1）配置opencv路径；
（2）配置tensorflow路径；
此处重点说明tensorflow配置，opencv类似。

根据自己的路径来填，我将include和lib文件统一放在了tensorflow-1.5.0文件夹下（此处文件见命名错误，应该是2.5.0，小问题），并且移入项目中，使用了相对路径。




测试代码，我使用unet训练的图像分割模型，转换为pb模型后，在C++中测试通过，由于网上现在大多数编译的为1.x版本，所以拷贝过来的代码可能会报错，有的API已经更新，需要自行修改。

测试的图像及pb文件可以通过百度网盘下载：下载链接，提取码：n0mu。

#include "stdafx.h"
#define COMPILER_MSVC
#define NOMINMAX


#include 
#include 
#include 
#include 
#include 

#include "tensorflow/cc/ops/const_op.h"
#include "tensorflow/cc/ops/image_ops.h"
#include "tensorflow/cc/ops/standard_ops.h"
#include "tensorflow/core/framework/graph.pb.h"
#include "tensorflow/core/framework/tensor.h"
#include "tensorflow/core/graph/default_device.h"
#include "tensorflow/core/graph/graph_def_builder.h"
#include "tensorflow/core/lib/core/errors.h"
#include "tensorflow/core/lib/core/stringpiece.h"
#include "tensorflow/core/lib/core/threadpool.h"
#include "tensorflow/core/lib/io/path.h"
#include "tensorflow/core/lib/strings/stringprintf.h"
#include "tensorflow/core/platform/env.h"
#include "tensorflow/core/platform/init_main.h"
#include "tensorflow/core/platform/logging.h"
#include "tensorflow/core/platform/types.h"
#include "tensorflow/core/public/session.h"
#include "tensorflow/core/util/command_line_flags.h"

#include "tensorflow/cc/client/client_session.h"
#include "tensorflow/cc/framework/gradients.h"

#include

using namespace cv;
using namespace std;
using namespace tensorflow;
using namespace tensorflow::ops;
using tensorflow::Flag;
using tensorflow::Tensor;
using tensorflow::Status;
using tensorflow::string;
using tensorflow::int32;

void Mat_to_Tensor(Mat img, Tensor* output_tensor, int input_rows, int input_cols)
{
	//图像进行resize处理
	resize(img, img, cv::Size(input_cols, input_rows));
	//imshow("resized image",img);

	//归一化
	//img.convertTo(img,CV_32FC1);
	//img=1-img/255;

	//创建一个指向tensor的内容的指针
	float *p = output_tensor->flat<float>().data();

	cv::Mat tempMat(input_rows, input_cols, CV_32FC3, p);   //注意转换的图像为彩色图还是灰度图
	img.convertTo(tempMat, CV_32FC3);
}

int Tensor_to_Mat(const tensorflow::Tensor& inputTensor, cv::Mat& output)
{
	tensorflow::TensorShape inputTensorShape = inputTensor.shape();
	if (inputTensorShape.dims() != 4)
	{
		return -1;
	}

	int height = inputTensorShape.dim_size(1);
	int width = inputTensorShape.dim_size(2);
	int depth = inputTensorShape.dim_size(3);

	output = cv::Mat(height, width, CV_32FC(depth));
	auto inputTensorMapped = inputTensor.tensor<float, 4>();
	float* data = (float*)output.data;
	for (int y = 0; y < height; ++y)
	{
		float* dataRow = data + (y * width * depth);
		for (int x = 0; x < width; ++x)
		{
			float* dataPixel = dataRow + (x * depth);
			for (int c = 0; c < depth; ++c)
			{
				float* dataValue = dataPixel + c;
				*dataValue = inputTensorMapped(0, y, x, c);
			}
		}
	}
	return 0;
}

vector<tensorflow::Tensor> image_to_vec(Mat img, string model_path)
{
	clock_t start, finish;
	start = clock();
	string input_tensor_name1 = "Input:0";
	string output_tensor_name = "Identity:0";
	/*--------------------------------创建session------------------------------*/
	Session* session;
	SessionOptions opts;

	session = NewSession(opts);

	google::protobuf::MessageLite* mess = NULL;
	tensorflow::GraphDef graphdef;

	Status status_load = ReadBinaryProto(tensorflow::Env::Default(), model_path, &graphdef);
	if (!status_load.ok())
	{
		cout << "ERROR: Loading model failed..." << model_path << std::endl;
		cout << status_load.ToString() << "\n";
		exit(-1);
	}
	for (int i = 0; i < graphdef.node_size(); i++)
	{
		std::string name = graphdef.node(i).name();
		std::cout << name << std::endl;
	}

	Status status_create = session->Create(graphdef); //将模型导入会话Session中;
	if (!status_create.ok())
	{
		cout << "ERROR: Creating graph in session failed..." << status_create.ToString() << std::endl;
		exit(-1);
	}
	//cout << "<----Successfully created session and load graph.------->" << endl;

	/*---------------------载入测试图片--------------------------------*/
	if (!img.data)
	{
		cout << "loading test_image failed" << endl;
		exit(-1);
	}
	//namedWindow("picture", 0);
	//imshow("picture", img);

	if (img.empty())
	{
		cout << "can't open the image!!!!!!!" << endl;
		exit(-1);
	}

	int input_height = 512;
	int input_width = 512;
	Tensor input_tensor1(DT_FLOAT, TensorShape({ 1,input_height,input_width,3 }));

	//将Opencv的Mat格式的图片存入tensor
	Mat_to_Tensor(img, &input_tensor1, input_height, input_width);

	cout << input_tensor1.DebugString() << endl;
	cout << endl << "<-------------Running the model with test_image--------------->" << endl;

	//前向运行，输出结果一定是一个tensor的vector
	vector<tensorflow::Tensor> outputs;
	string output_node = output_tensor_name;
	//cout << "Session Running......" << endl;
	Status status_run = session->Run({ { input_tensor_name1, input_tensor1 } }, { output_node }, {}, &outputs);
	//cout << "Session complet......" << endl;
	if (!status_run.ok()) {
		cout << "ERROR: RUN failed..." << std::endl;
		cout << status_run.ToString() << "\n";
		exit(-1);
	}
	session->Close();

	Mat show_image;
	//vector outputs;
	for (int i = 0; i < outputs.size(); ++i)
	{
		cout << outputs[i].DebugString() << endl;

		Tensor_to_Mat(outputs[i], show_image);

	}
	finish = clock();

	cout << "time:" << (double)(finish - start) / CLOCKS_PER_SEC << endl;
	namedWindow("show_image", 0);
	imshow("show_image", show_image);

	waitKey();
	return outputs;
}

//读取文件夹下所有图像
vector<Mat> ReadImagesInFolderOfIntersection(const String& pattern)
{
	string model_path = "model.pb";
	vector<String> fn;
	glob(pattern, fn, false);

	vector<Mat> images;
	const auto count = fn.size(); //number of png files in images folder
	for (size_t i = 0; i < count; i++)
	{
		images.push_back(imread(fn[i]));
		cout << "-----------------------------------------------" << endl;
		cout << "第" << i + 1 << " " << fn[i] << endl;

		//const auto start = static_cast(getTickCount());
		//处理
		Mat image;
		images[i].copyTo(image);
		//Mat image_copy;
		//image.copyTo(image_copy);

		vector<tensorflow::Tensor> outputs;
		outputs = image_to_vec(image, model_path);

		waitKey(1500);
	}
	return images;
}

int main(int argc, char** argv)
{
	const String pattern = "G:\\Desktop\\20210607image\\test_image\\";
	ReadImagesInFolderOfIntersection(pattern);
	getchar();
	return 1;

	getchar();
	return 0;
}

测试结果：
（1）resize图像

（2）线识别结果