极智AI | centos7源码编译tensorflow

欢迎关注我的公众号 [极智视界]，获取我的更多笔记分享

大家好，我是极智视界，本文介绍一下 centos7 源码编译 tensorflow 的方法。

之前这篇《极智开发 | centos7源码编译bazel》已经为这篇 tensorflow 的源码编译铺平了道路，所以这里的前提是你已经安装好了 bazel。

这里咱们以源码编译 tensorflow v1.15.0 为例，下面开始。

• (1) 下载源码

git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow

需要注意的是，这样的方式下载的 tensorflow 源码是默认master分支的，也就是默认是最新的，而在咱们的需求中，往往是需要编译指定版本的 tensorflow，所以你可以这样：

# clone好后进入tensorflow目录，执行如下
git checkout branch_name  # r2.2, r2.3, etc.

当然也可以直接到release里下载对应版本的源码包，地址：release

• (2) 下载 nsync-1.22.0.tar.gz 源码包

进入 tensorflow tag v1.15.0 源码目录，打开 tensorflow/workspace.bzl 文件，找到其中 name 为 nsync 的 tf_http_archive 定义，如下：

从上面的 urls 中随便选一个链接下载，并将下载好的 nsync-1.22.0.tar.gz 放到任意目录，比如我放到 /workspace/env 下。

• (3) 修改 nsync-1.22.0.tar.gz 源码包

cd /workspace/env 
tar -zxvf nsync-1.22.0.tar.gz

cd nsync-1.22.0/platform/c++11

然后打开atomic.h，在 NSYNC_CPP_START_后 替换/添加 如下内容：

#include "nsync_cpp.h"
#include "nsync_atomic.h"

NSYNC_CPP_START_

#define ATM_CB_() __sync_synchronize()

static INLINE int atm_cas_nomb_u32_ (nsync_atomic_uint32_ *p, uint32_t o, uint32_t n) {
    int result = (std::atomic_compare_exchange_strong_explicit (NSYNC_ATOMIC_UINT32_PTR_ (p), &o, n, std::memory_order_relaxed, std::memory_order_relaxed));
    ATM_CB_();
    return result;
}
static INLINE int atm_cas_acq_u32_ (nsync_atomic_uint32_ *p, uint32_t o, uint32_t n) {
    int result = (std::atomic_compare_exchange_strong_explicit (NSYNC_ATOMIC_UINT32_PTR_ (p), &o, n, std::memory_order_acquire, std::memory_order_relaxed));
    ATM_CB_();
    return result;
}
static INLINE int atm_cas_rel_u32_ (nsync_atomic_uint32_ *p, uint32_t o, uint32_t n) {
    int result = (std::atomic_compare_exchange_strong_explicit (NSYNC_ATOMIC_UINT32_PTR_ (p), &o, n, std::memory_order_release, std::memory_order_relaxed));
    ATM_CB_();
    return result;
}
static INLINE int atm_cas_relacq_u32_ (nsync_atomic_uint32_ *p, uint32_t o, uint32_t n) {
    int result = (std::atomic_compare_exchange_strong_explicit (NSYNC_ATOMIC_UINT32_PTR_ (p), &o, n, std::memory_order_acq_rel, std::memory_order_relaxed));
    ATM_CB_();
    return result;
}

• (4) 重新生成 nsync-1.22.0.tar.gz 源码包

上面对 nsync-1.22.0 源码进行了修改，重新压缩生成 nsync-1.22.0.tar.gz，替换原来的 nsync-1.22.0.tar.gz，因此包的路径依旧还是 /workspace/env/nsync-1.22.0.tar.gz。

• (5) sha256sum 校验 nsync-1.22.0.tar.gz

sha256sum /workspace/env/nsync-1.22.0.tar.gz

# 生成一串sha256sum校验码，记住它

• (6) 修改tensorflow workspace.bzl

回到第(2)步中的 ~/tensorflow-1.15.0/tensorflow/workspace.bzl，修改 sha256 = 为第(5)步生成的校验码，在 urls = [] 中新增 nsync-1.22.0.tar.gz的绝对路径，如下：

• (7) 配置系统build

cd tensorflow-1.15.0
# 直接执行
./configure
# 会跳出来很多配置选项，按自己的需要进行选择
# 如果只是编译最基础的CPU版本，一路N到底就可以了

执行完 ./configure 之后，需要修改 .tf_configure.bazelrc 配置文件：

# 添加如下一行 build编译选项
build:opt --cxxopt=-D_GLIBCXX_USE_CXX11_ABI=0

# 删除以下两行
build:opt --copt=-march=native 
build:opt --host_copt=-march=native

• (8) 编译

使用 bazel 开始编译：

bazel build [--config=option] /path/tensorflow/tools/pip_package:build_pip_package

编译成功后会在对应目录中生成 .whl 软件包

• (9) 安装.whl

pip install path/tensorflow-version-tags.whl

这样就大功告成了。

好了，以上分享了 centos7 源码编译 tensorflow 的方法。希望我的分享能对你的学习有一点帮助。

【极智视界】

《极智开发 | centos7 编码编译 bazel》

 

搜索关注我的微信公众号「极智视界」，获取我的更多经验分享，让我们用极致+极客的心态来迎接AI ！