Windows下编译TensorFlow1.3 C++ library及创建一个简单的TensorFlow C++程序

由于最近比较忙，一直到假期才有空，因此将自己学到的知识进行分享。如果有不对的地方，请指出，谢谢！目前深度学习越来越火，学习、使用tensorflow的相关工作者也越来越多。最近在研究tensorflow线下采用 python 脚本训练出模型, 利用freeze_graph工具输出.pb图文件，之后再线上生产环境windows平台上用C++代码直接调用预先训练好的模型完成预测的工作。因为目前tensorflow提供的C++的API比较少，所以参考了以上几篇已有的日志，做个总结。这里编译出TensorFlow C++ library，遇到的坑进行填埋。之后的调用C++library相对比较简单，可以参考链接部分。

Step1：Windows 10必备环境准备

1.1安装VS2015

1.2安装Swigwin-3.0.12，其可执行文件地址为 D:/lib/swigwin-3.0.12/swig.exe

1.4安装python3.5，安装时注意选择将路径添加到环境变量。

1.5安装CMake-3.8.0 ，安装时注意选择将路径添加到环境变量。

1.6安装Git，用于在编译过程中从GitHub上下载依赖项。

1.7 将GitHub上TensorFlow的master分支 下载并解压到文件夹D:\tf中，编辑文件tensorflow/tensorflow/contrib/cmake/CMakeLists.txt，将第87行至93行修改如下：

if (tensorflow_OPTIMIZE_FOR_NATIVE_ARCH)
include(CheckCXXCompilerFlag)
CHECK_CXX_COMPILER_FLAG("-march=native" COMPILER_OPT_ARCH_NATIVE_SUPPORTED)
if (COMPILER_OPT_ARCH_NATIVE_SUPPORTED)
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -march=native")
else()
CHECK_CXX_COMPILER_FLAG("/arch:AVX" COMPILER_OPT_ARCH_AVX_SUPPORTED)
if(COMPILER_OPT_ARCH_AVX_SUPPORTED)
set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} /arch:AVX")
endif()
endif()
endif()

总结下这一部分的三个重要地址：

Python可执行文件地址为：D:/lib/Python35/python.exe；
Python库文件地址为：D:/lib/Python35/libs/python35.lib(release版本), D:/lib/Python35/libs/python35_d.lib(Debug版本)；
Swigwin可执行文件地址：D:/lib/swigwin-3.0.12/swig.exe。

Step2：编译 TensorFlow shared lib

2.1 打开文件夹 D:\tf\tensorflow-master\tensorflow\contrib\cmake， 新建文件夹\build。以管理员身份运行 开始 \ 所有程序 \ Visual Studio 2015\Visual Studio Tools\ Developer Command Prompt for VS 2015，输入powershell，使用命令切换到新建的build文件夹下。使用指令1用于build编译项目。可以看到，使用的就是上一部分保存的三个路径。当命令行中出现Generating done，说明build成功。

# 指令1(release)
cmake .. -A x64 -DCMAKE_BUILD_TYPE=Release -DSWIG_EXECUTABLE=D:/lib/swigwin-3.0.12/swig.exe-DPYTHON_EXECUTABLE=D:/lib/Python35/python.exe -DPYTHON_LIBRARIES=D:/lib/Python35/libs/python35.lib -Dtensorflow_BUILD_SHARED_LIB=ON

# 指令1(debug)
cmake .. -A x64 -DCMAKE_BUILD_TYPE=Debug -DSWIG_EXECUTABLE=D:/lib/swigwin-3.0.12/swig.exe-DPYTHON_EXECUTABLE=D:/lib/Python35/python.exe -DPYTHON_LIBRARIES=D:/lib/Python35/libs/python35_d.lib-Dtensorflow_BUILD_SHARED_LIB=ON

或者，这里我用cmake-gui界面进行cmake编译出release和debug版本，如下图所示：



2.2 命令行中输入指令2开始编译，在编译过程中保持网络畅通，有15个依赖库需要下载。编译过程中可能出现一些警告，不用担心，只要没有错误编译就可以通过。

# 指令2(release)
MSBuild /p:Configuration=Release ALL_BUILD.vcxproj
# 指令2(debug)
MSBuild /p:Configuration=Debug ALL_BUILD.vcxproj

2.3 但是，我在自己的电脑上编译失败，并出现了90个错误，这些错误都指向了两文件:

D:\tf\tensorflow-master\tensorflow\contrib\cmake\build\re2\src\re2\re2\testing\re2_test.cc
D:\tf\tensorflow-master\tensorflow\contrib\cmake\build\re2\src\re2\re2\testing\search_test.cc

re2包提供了正则表达式的功能，文件夹testing中是测试文件，在TensorFlow运行过程中其实不需要这些测试功能，所以可以通过禁止编译re2的测试部分来移除这些错误。

Step3：排除错误

3.1对出错的工程文件夹下，修改文件D:\tf\tensorflow-master\tensorflow\contrib\cmake\build\re2\src\re2\CMakeLists.txt（一定要FQ下载到），将第16行修改为:

option(RE2_BUILD_TESTING “enable testing for RE2” OFF)

，并保存。

3.2 重新进行编译（步骤2.2）。在编译过程中，会出现错误：

C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V140\Microsoft.CppCommon.targets(171,5): error MSB6006: “cmd.exe”已退
出，代码为 1。 [D:\tensorflow-master\tensorflow\contrib\cmake\build\grpc.vcxproj]

这个应该是没有成功下载grpc，这个应该是个bug，给的链接不对（多次编译都编不过去），百度了下grpc对我现在的应用暂时用不多（不了解可以百度gprc）因此，暂时不需要grpc，也就不下载，编辑文件tensorflow/tensorflow/contrib/cmake/CMakeLists.txt，将第23行修改如下：

option(tensorflow_ENABLE_GRPC_SUPPORT "Enable gRPC support" OFF)

3.3重新cmake 和Build编译项目，并重新进行编译，重复步骤2.1，2.2和3.1。可能会出现错误：

fatal error C1060: compiler is out of heap space

这应该是跟自己的硬件相关，我自己的电脑配置不太好。出现这个错误，首先等待编译过程的完成，然后重复运行指令2。大概重复运行两三次这个问题就没有了。每次重复运行前，需等待整个编译过程完成。

也可能会出现这样的错误（Debug编译出现这样的错误）：



这可能在实际中编译采用的是x86，并没有真正采用x64的环境进行编译，因此打开命令窗口Developer Command Prompt for VS 2015，输入powershell，使用命令切换到新建的build文件夹下，输入指令3，然后在输入指令2。

# 指令3
set PreferredToolArchitecture=x64

3.4 编译到最后会出现错误（debug版本比较严格）符号重载的错误，如下图所示：

error C2678: binary '<': no operator found which takes a left-hand operand of type IndicesRowIterator

修改对应的文件夹下的文件，我这里是D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\boosted_trees\lib\utils\sparse_column_iterable.cc，增加到文件中，增加的内容如下所示：

bool operator<( const IndicesRowIterator& other ) const {
QCHECK_LT( iter_, other.iter_ );
return ( row_idx_ < other.row_idx_ );
}

最终编译成功。出现需要的相应的release和debug版本的lib和动态链接库

Step4：在Windows上编译和运行一个简单的TensorFlow C++ 程序

4.1在vs2015中创建一个新的工程solution，并在对应的文件中输入如下：

#include <vector>
#include <eigen/Dense>

#include "matmul.h"
#include "tensorflow/core/public/session.h"
#include "tensorflow/cc/ops/standard_ops.h"

using namespace tensorflow;

// Build a computation graph that takes a tensor of shape [?, 2] and
// multiplies it by a hard-coded matrix.
GraphDef CreateGraphDef()
{
Scope root = Scope::NewRootScope();

auto X = ops::Placeholder(root.WithOpName("x"), DT_FLOAT,
ops::Placeholder::Shape({ -1, 2 }));
auto A = ops::Const(root, { { 3.f, 2.f },{ -1.f, 0.f } });

auto Y = ops::MatMul(root.WithOpName("y"), A, X,
ops::MatMul::TransposeB(true));

GraphDef def;
TF_CHECK_OK(root.ToGraphDef(&def));

return def;
}

int main()
{
GraphDef graph_def = CreateGraphDef();

// Start up the session
SessionOptions options;
std::unique_ptr<Session> session(NewSession(options));
TF_CHECK_OK(session->Create(graph_def));

// Define some data.  This needs to be converted to an Eigen Tensor to be
// fed into the placeholder.  Note that this will be broken up into two
// separate vectors of length 2: [1, 2] and [3, 4], which will separately
// be multiplied by the matrix.
std::vector<float> data = { 1, 2, 3, 4 };
auto mapped_X_ = Eigen::TensorMap<Eigen::Tensor<float, 2, Eigen::RowMajor>>
(&data[0], 2, 2);
auto eigen_X_ = Eigen::Tensor<float, 2, Eigen::RowMajor>(mapped_X_);

Tensor X_(DT_FLOAT, TensorShape({ 2, 2 }));
X_.tensor<float, 2>() = eigen_X_;

std::vector<Tensor> outputs;
TF_CHECK_OK(session->Run({ { "x", X_ } }, { "y" }, {}, &outputs));

// Get the result and print it out
Tensor Y_ = outputs[0];
std::cout << Y_.tensor<float, 2>() << std::endl;

session->Close();
getchar();
}

4.2在对应的头文件中输入如下：

#pragma once

#define COMPILER_MSVC
#define NOMINMAX

4.3在vs2015中，属性配置界面中，include Directories：

D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\Debug
D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\external\nsync\public
D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\protobuf\src\protobuf\src
D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\external\eigen_archive
D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build
D:\tf\tensorflow-master-ngrpc
D:\tf\tensorflow-master-ngrpc\third_party\eigen3

4.4在vs2015中，属性配置界面中，Additional Library Directories（release版本）：

D:\tf\tensorflow-master-ngrpc\tensorflow\contrib\cmake\build\Release

4.5在vs2015中，属性配置界面中，Linker Settings（release版本）：

tensorflow.lib

4.6编译和运行程序，运行结果如下所示：

7 17
-1 -3

参考：

https://joe-antognini.github.io/machine-learning/build-windows-tf

http://quqixun.com/?p=785

http://blog.csdn.net/longji/article/details/72760409

http://blog.csdn.net/rockingdingo/article/details/75452711

https://github.com/tensorflow/tensorflow/issues

https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/cmake

https://stackoverflow.com/questions/42603407/how-to-compile-tensor-flow-with-sse-and-and-avx-instructions-on-windows