win10 + bazel-0.20.0 + tensorflow-1.13.1 编译tensorflow GPU版本的C++库
win10 + bazel-0.20.0 + tensorflow-1.13.1 编译tensorflow GPU版本的C++库
- 安装所需软件/库
- Step1. 安装vs2015，CUDA 10.0和cuDNN 7.6
- Step2. 安装msys2
- Step3. 安装bazel
- Step4. 下载编译所需文件（tensorflow源码及其他文件）
- Step5. 使用powershell进行配置与编译
- Step6. 整理生成的文件——dll，lib，include
- Step7. 调用模型测试程序
- 支线任务
参考资料：
- windows+bazel+tensorflow-v1.12.0(GPU)编译生成dll与lib;
- Error: “execution of scripts is disabled on this system” ;
- tensorflow1.4 c++编译以及API使用;
- window+tensorflow+cuda+cudnn 出现‘CUDnn_STATUS_ALLOC_FAILED’的可能解决办法;
- Return coordinates for bounding boxes Google’s Object Detection API;
- visualize_boxes_and_labels_on_image_array 函数.
---------------------- 超长文多图预警!!! ----------------------
安装所需软件/库
- vs2015;
- Anaconda3;
- CUDA 10.0;
- cuDNN 7.6;
- python3.6.7;
- tensorflow-1.13.1;
- bazel0.20.0;
- msys2-x86_64-20190524.
Step1. 安装vs2015，CUDA 10.0和cuDNN 7.6
vs2015的安装这里就不多说了，Anaconda3、CUDA和cuDNN的安装可参考cmake编译opencv： Win10+cmake3.14.4+cuda10.0+cudnn7.6+opencv-4.0.0+contrib+vs2015。
Step2. 安装msys2
进入msys2官网，选择msys2-x86_64-20190524.exe，或直接点击此链接: msys2-x86_64-20190524，进行下载。
下载好后开始安装，点击Next：
接下来选择安装路径，我个人为了避免安装在系统盘，将盘符改成了D盘，如下图。然而在之后的编译过程中发现，msys64会在C盘再安装一遍，所以这里推荐使用默认，即安装在 C:\msys64 下。接着点击Next，进入下一步。
这里直接Next：
软件开始安装，稍微等一会儿就好了。
安装完成，点击Finish：
弹出一个类似cmd的命令窗口，输入一下命令：
pacman -Syu
- 1
询问是否进行安装，输入y，回车：
第一个命令执行完毕：
接着输入以下命令：
pacman -S git
- 1
同样地，询问是否安装输入 y，然后回车：
第二个命令执行完毕：
接着输入：
pacman -S patch unzip grep
- 1
是否安装输入 y，回车：
第三个命令执行完毕：
软件装好以后，需要配置环境变量。
将以下路径添加到系统变量 Path 中：
D:\msys64
D:\msys64\usr\bin
注意，如果之前装在C盘，则需要进行相应修改。
如下图所示：
msys2安装配置完毕！
Step3. 安装bazel
进入github，选择合适的bazel版本进行下载。
如果CUDA和Tensorflow的版本与本文一致，也可点此链接下载：bazel-0.20.0-windows-x86_64.exe。
github上选择下载文件如下图所示：
将下载好的 .exe 文件复制到 D:\msys64 下（路径根据个人安装情况而定），更名为 bazel.exe。
复制完成后，配置bazel环境变量。
新建三个系统变量：BAZEL_SH，BAZEL_VC，BAZEL_VS。相应的路径如以下表格所示：
| 变量 | 值 |
|---|---|
| BAZEL_SH | D:\msys64\usr\bin\bash.exe |
| BAZEL_VC | D:\Program Files (x86)\Microsoft Visual Studio 14.0\VC |
| BAZEL_VS | D:\Program Files (x86)\Microsoft Visual Studio 14.0 |
环境变量配置完成：
bazel安装配置完毕！
Step4. 下载编译所需文件（tensorflow源码及其他文件）
进入tensorflow-v1.13.1源码的github的页面 ，点击页面右侧绿色按钮Clone or download，然后点击Download ZIP进行下载，如下图所示。
或者也可直接点此链接：tensorflow-1.13.1 进行下载。
下载时间也许会很长，请耐心等待。
进入tensorflow-windows-build-script-master的github页面，下载tensorflow-windows-build-script-master.zip(此链接可直接下载)。
以上两个 .zip 文件下载完成后，在D盘新建一个文件夹，命名为 tensorflow-1.13.1 （也可根据个人喜好决定）。
- 将下载好的 tensorflow-1.13.1.zip 解压到刚刚新建的文件夹下，重新命名为 source；
- 将 tensorflow-windows-build-script-master.zip 解压到任意位置，然后把其中的 patches 和 build.ps1 文件，复制到新建的 D:\tensorflow-1.13.1目录下，如下图所示：
- 将 patches 下的 eigen_half.patch 复制到 tensorflow-1.13.1\source\third_party 下：
- 将 patches 下的 tf_exported_symbols_msvc.lds 复制到 tensorflow-1.13.1\source\tensorflow 下：
- 用文本编辑器打开 build.ps1 文件，将以下语句注释掉：
Copy-Item …\patches\tf_exported_symbols_msvc.lds tensorflow\
防止编译时出现Copy-Item命令的问题。
位置在 build.ps1 的180行，如下图所示：
编译所需文件准备完毕！
Step5. 使用powershell进行配置与编译
在 C:\Windows\SysWOW64\WindowsPowerShell\v1.0 目录下，右键以管理员身份运行 powershell.exe：
在 powershell 窗口中输入以下命令，转到 tensorflow-1.13.1 目录下：
cd D:\tensorflow-1.13.1
- 1
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"
- 1
然后输入以下命令，执行 build.ps1 脚本文件：
.\build.ps1 -BazelBuildParameters $parameterString -BuildCppAPI -ReserveSource
- 1
执行命令时出现 UnauthorizedAccess 错误，说明可能是 powershell 的执行策略受限，输入以下命令查看当前执行策略：
Get-ExecutionPolicy
- 1
我这里显示的是Restricted（受限的），所以需要输入以下语句来取消限制：
Set-ExecutionPolicy Unrestricted
- 1
询问是否改变执行策略，输入 y，回车。
修改好后，可以再次输入：
Get-ExecutionPolicy
- 1
查看当前执行策略是否已经取消限制。
执行策略的问题解决以后，重新执行 build.ps1 脚本文件：
.\build.ps1 -BazelBuildParameters $parameterString -BuildCppAPI -ReserveSource
- 1
如果一切正常，我们将开始编译前的配置。可参照以下两图进行配置。有些提问可以直接按回车来选择默认配置，括号中出现 default 字眼的，都可以这么做。
注意 ：当问到GPU的计算能力（compute capability），即出现 [Default is: 3.5, 7.0]: 时，先不要急着按回车。我们先找到跟自己显卡对应的计算能力，再进行填写，可参考后面的方法来查看显卡的计算能力。
打开设备管理器，找到自己的显卡型号：
然后进入NVDIA官网的CUDA GPUs页面，点击 CUDA-Enabled GeForce and TITAN Products，找到自己的显卡型号对应的数值，将其填入 [Default is: 3.5, 7.0]: 后面，回车继续配置。
都配置完成后，编译正式开始。注意保持网络通畅，因为编译之前需要下载各种依赖库，网络异常会导致下载失败停止编译。编译时间很长，不要光盯着屏幕看，该吃吃该喝喝该玩玩该睡睡。
编译可能出现无法解析的外部符号的问题，以下面的错误为例：
无法解析的外部符号 “public: virtual __cdecl tensorflow::internal::LogMessage::~LogMessage(void)” (??1LogMessage@internal@tensorflow@@UEAA@XZ)，该符号在函数 “public: void __cdecl tensorflow::internal::LogMessage::`vbase destructor’(void)” (??_DLogMessage@internal@tensorflow@@QEAAXXZ) 中被引用
解决方法：
用文本编辑器打开 D:\tensorflow-1.13.1\source\tensorflow\tf_exported_symbols_msvc.lds ，找到前面一个括号中带问号的内容：
??1LogMessage@internal@tensorflow@@UEAA@XZ
将其删除。如果有多个无法解析外部符号的问题，用同样的方法逐一删除即可。
确认全部清除后，重新执行以下命令配置和编译：
.\build.ps1 -BazelBuildParameters $parameterString -BuildCppAPI -ReserveSource
- 1
如果一切正常，在漫长的等待之后，将会出现以下结果：
注意：第一个红框部分为编译生成的动态库 libtensorflow_cc.so 所在位置，请记录下来，后面需要用到。
编译任务圆满完成！！！
可以稍作休息小小庆祝一下！
Step6. 整理生成的文件——dll，lib，include
新建一个文件夹，在文件夹中创建以下三个目录：dll，lib，include。
根据编译结束时显示的动态库所在位置，找到生成的库 libtensorflow_cc.so 和 liblibtensorflow_cc.so.ifso。
- 将 libtensorflow_cc.so 更名为 tensorflow_cc.dll，放到刚才创建的 dll 目录下；
- 将 liblibtensorflow_cc.so.ifso 更名为 tensorflow_cc.lib，放到刚才创建的 lib 目录下。
接下来要做的是填满 include 目录，该步相对繁琐，最终将包含以下文件夹：
1）在include目录中新建名为 _bin 的文件夹。参考以下路径，打开 _embedded_binaries 目录，将下图红框中的文件复制到 _bin 文件夹中：
C:\Users\xxx_bazel_xxx\install\d5b1be53d8db6a1e2d160364df2e7ef6_embedded_binaries
2-1) 参考以下路径，将下图红框中的 bazel-out 文件夹复制到 include 目录下：
C:\Users\xxx_bazel_xxx\y46qiod6\execroot\org_tensorflow
2-2) 参考以下路径，将 protobuf_archive 文件夹复制到 include 下的 bazel-out\x64_windows-opt\genfiles\external 目录中：
C:\Users\xxx_bazel_xxx\y46qiod6\external
3） 将 D:\tensorflow-1.13.1\source 下的 tensorflow 和 third_party 复制到 include 目录下：
4-1) 参照以下路径，将下图红框中的 external 文件夹复制到 include 目录下：
C:\Users\xxx_bazel_xxx\y46qiod6
4-2) 参照以下路径，将 embedded_tools 文件夹下的所有文件复制到 include 下的 external\bazel_tools 目录中（如果 external 里面没有该文件夹，需新建并命名为 bazel_tools）：
C:\Users\xxx_bazel_xxx\install\d5b1be53d8db6a1e2d160364df2e7ef6_embedded_binaries\embedded_tools
4-3) 将 D:\tensorflow-1.13.1\source 下的 tensorflow 复制到 include 下的 external\org_tensorflow 目录中（如果 external 里面没有该文件夹，需新建并命名为 rg_tensorflow）：
至此，调用tensorflow所需的库及包含的目录准备完毕！
Step7. 调用模型测试程序
新建测试工程，在 .cpp 文件中写入以下代码：
#define COMPILER_MSVC
#define NOMINMAX
#define PLATFORM_WINDOWS // 指定使用tensorflow/core/platform/windows/cpu_info.h
#include “stdafx.h”
#include
#include
#include"tensorflow/core/public/session.h"
#include “tensorflow/core/platform/env.h”
#include
using namespace tensorflow;
using namespace cv;
using std::cout;
using std::endl;
int main() {
const std::string model_path = “frozen_inference_graph.pb”;// tensorflow模型文件，注意不能含有中文
const std::string image_path = “image1.jpg”; // 待inference的图片grace_hopper.jpg
// 设置输入图像
cv::Mat img = cv::imread(image_path);
cv::cvtColor(img, img, cv::COLOR_BGR2RGB);
int height = img.rows;
int width = img.cols;
int depth = img.channels();
// 取图像数据，赋给tensorflow支持的Tensor变量中
tensorflow::Tensor input_tensor(DT_UINT8, TensorShape({ 1, height, width, depth }));
const uint8* source_data = img.data;
auto input_tensor_mapped = input_tensor.tensor<uint8, 4>();
for (int i = 0; i < height; i++) {
const uint8* source_row = source_data + (i * width * depth);
for (int j = 0; j < width; j++) {
const uint8* source_pixel = source_row + (j * depth);
for (int c = 0; c < depth; c++) {
const uint8* source_value = source_pixel + c;
input_tensor_mapped(0, i, j, c) = *source_value;
}
}
}
// 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
tensorflow::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;
}
// 输入inputs，“ x_input”是我在模型中定义的输入数据名称
std::vector<std::pair<std::string, tensorflow::Tensor>> inputs = {
{ "image_tensor:0", input_tensor },
};
// 输出outputs
std::vector<tensorflow::Tensor> outputs;
//批处理识别
double start = clock();
std::vector<std::string> output_nodes;
output_nodes.push_back("num_detections");
output_nodes.push_back("detection_boxes");
output_nodes.push_back("detection_scores");
output_nodes.push_back("detection_classes");
// 运行会话，最终结果保存在outputs中
status = session->Run(inputs, { output_nodes }, {}, &outputs);
if (!status.ok()) {
std::cerr << status.ToString() << endl;
return -1;
}
else {
cout << "Run session successfully" << endl;
}
double finish = clock();
double duration = (double)(finish - start) / CLOCKS_PER_SEC;
cout << "spend time:" << duration << endl;
cv::imshow("image", img);
cv::waitKey();
return 0;
}
- 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
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
先别急着编译工程，首先我们需要把环境配置好：
- 配置opencv (Release版本)；
- 配置tensorflow C++库。
opencv库配置就不多赘述，这里主要说明tensorflow库的配置。
1）包含目录：
D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\external\org_tensorflow;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\external\protobuf_archive\src;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\external\com_google_absl;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\external\eigen_archive;D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\include\bazel-out\x64_windows-opt\genfiles;
- 1
2）库目录：
D:\libtensorflow-gpu-windows-x86_64-1.13.1-avx2cuda10cudnn76\lib;
- 1
3）链接器输入附加依赖项：
tensorflow_cc.lib;
- 1
环境配置好后，将之前生成的动态库放入应用程序目录，即复制 tensorflow_cc.dll 到与工程文件 .sln 同级的 x64\Release 文件夹下，如下图所示：
接下来，从网盘下载模型文件 frozen_inference_graph.pb 和测试图片 image1.jpg（点此链接）
- 模型文件在 tensorflow\ssd_mobilenet_v1_coco_2017_11_17 目录下；
- 测试图片在 tensorflow\test_images 目录下。
把它们放到与 .cpp 文件同级的目录下，如下图所示：
编译前的准备工作完成，现在我们可以编译生成项目。生成之前，注意选择 Release 和 x64，如下图红框所示：
编译可能出现无法解析的外部符号的问题，以下面的错误为例：
无法解析的外部符号 “public: virtual __cdecl tensorflow::internal::LogMessage::~LogMessage(void)” (??1LogMessage@internal@tensorflow@@UEAA@XZ)，该符号在函数 “public: void __cdecl tensorflow::internal::LogMessage::`vbase destructor’(void)” (??_DLogMessage@internal@tensorflow@@QEAAXXZ) 中被引用
解决方法：
用文本编辑器打开 D:\tensorflow-1.13.1\source\tensorflow\tf_exported_symbols_msvc.lds ，将前面一个括号中带问号的内容：
??1LogMessage@internal@tensorflow@@UEAA@XZ
复制到该文件的末尾，如下图所示。
如果有多个无法解析外部符号的问题，用同样的方法逐一添加。全部添加完成后保存关闭文件，然后重新编译tensorflow，也就是说从运行脚本文件开始，后面的流程要重新走一遍，想想有点心累，不过都已经走到这里了，半途而废有点说不过去呀，咬咬牙重来一遍吧。
上面的问题已经成功解决，没有意外，还会出现max问题：
解决办法如下：
双击错误提示，跳转到有max问题的文件： logging.h 和 tensor_shape.h，分别进行以下修改：
1）logging.h:
将第250行的
if (TF_PREDICT_FALSE(v2 >= std::numeric_limits::max())) { \
- 1
改为
if (TF_PREDICT_FALSE(v2 >= (std::numeric_limits::max)())) { \
- 1
修改后如下图所示：
2）tensor_shape.h:
将108-111行的
static const int64 kMaxRep16 = std::numeric_limits::max() - 1;
static const int64 kMaxRep32 = std::numeric_limits::max() - 1;
static const uint16 kUnknownRep16 = std::numeric_limits::max();
static const uint32 kUnknownRep32 = std::numeric_limits::max();
- 1
- 2
- 3
- 4
改为：
static const int64 kMaxRep16 = (std::numeric_limits::max)() - 1;
static const int64 kMaxRep32 = (std::numeric_limits::max)() - 1;
static const uint16 kUnknownRep16 = (std::numeric_limits::max)();
static const uint32 kUnknownRep32 = (std::numeric_limits::max)();
- 1
- 2
- 3
- 4
修改后如下图所示：
修改好后我们重新生成项目，如果上面的步骤都没有问题，将会出现下面的结果：
没错！编译成功！小腿抖起来小曲儿唱起来!
到这里还没有结束，将程序运行起来，你将看到以下结果：
红框部分说明GPU和模型调用没毛病，妥妥地成功！小腿再次抖起来小曲儿再次唱起来!
tensorflow C++库的生成和调用全部结束！
支线任务
注意，这是作业，不是彩蛋。
测试程序结尾出现了以下神秘图片：
蓝狗？！
还别说，狗狗蓝色的美瞳还真是洋气，蓝色的皮鞋更显骚气。
灵魂三问：小狗为什么是蓝色？定位框在哪？识别的结果在哪？
这就需要骚年们好好的研究和琢磨了。
Happy Ending:
