如何在 Ubuntu Linux 和 macOS 上构建 TensorFlow

tyui001

从源代码构建 TensorFlow pip 包，并将其安装在 Ubuntu Linux 和 macOS 上。 虽然这些说明可能适用于其他系统，但它仅针对 Ubuntu 和 macOS 进行测试和支持。

注意：我们已经为 Linux 和 macOS 系统提供了经充分测试的预构建 TensorFlow 软件包。

Linux 和 macOS 的安装程序


安装以下构建工具，来配置开发环境。

安装 Python 和 TensorFlow 包依赖项


UBUNTU

1. $ sudo apt install python-dev python-pip  # or python3-dev python3-pip

复制代码

MAC OS
需要 Xcode 8.3 或更高版本。
使用 Homebrew 包管理器安装：

1. $ /usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"
   
2. $ export PATH="/usr/local/bin:/usr/local/sbin:$PATH"
   
3. $ brew install python@2  # or python (Python 3)

复制代码

安装 TensorFlow pip 包依赖项（如果使用虚拟环境，则省略-- user 参数）：

1. $ pip install -U --user pip six numpy wheel mock
   
2. $ pip install -U --user keras_applications==1.0.5 --no-deps
   
3. $ pip install -U --user keras_preprocessing==1.0.3 --no-deps

复制代码

在 REQUIRED_PACKAGES 下的 setup.py 文件中查看依赖项。
（https://github.com/tensorflow/tensorflow/blob/master/tensorflow/tools/pip_package/setup.py）

安装 Bazel
安装 Bazel，用于编译 TensorFlow 的构建工具。将 Bazel 可执行文件的位置添加到 PATH 环境变量中。

安装 GPU 支持（可选，仅限 Linux）

macOS 无 GPU 支持。

阅读 GPU 支持指南，将运行 TensorFlow 所需的驱动程序和其他软件安装在 GPU 上。

注意：设置一个 TensorFlow 支持 GPU 的 Docker 镜像会更容易一些。

下载 TensorFlow 源代码

使用 Git 克隆 TensorFlow 存储库：

1. $ git clone https://github.com/tensorflow/tensorflow.git
   
2. $ cd tensorflow

复制代码

repo 默认为 master 开发分支。 您还可以检验需要构建的发布分支：

1. $ git checkout branch_name  # r1.9, r1.10, etc.

复制代码

要测试 source tree 的副本，请运行以下测试（这可能需要一段时间）：

1. $ bazel test -c opt -- //tensorflow/... -//tensorflow/compiler/... -//tensorflow/contrib/lite/...

复制代码

关键点：如果您在最新的开发分支上遇到构建问题，请尝试一个已知可用的发布分支。

配置构建
通过在 TensorFlow 源代码树的根目录下运行以下命令来配置系统构建：

1. $ ./configure

复制代码

此脚本会提示您输入 TensorFlow 依赖项的位置，并询问其他构建配置选项（例如，编译器标志）。 以下内容向我们展示了./configure 的示例运行（会话可能会有所不同）：

查看示例配置会话

对于 GPU 支持，请指定 CUDA 和 cuDNN 的版本。 如果您的系统安装了多个版本的 CUDA 或 cuDNN，请显式设置版本，不要依赖于默认版本。 ./configure 创建指向系统 CUDA 库的符号链接 - 因此，如果更新 CUDA 库路径，必须在构建之前再次运行此配置步骤。

对于编译优化标志，缺省值（-march = native）优化为适应您的计算机 CPU 类型而生成的代码。 但是，如果为不同的 CPU 类型构建 TensorFlow，请考虑更具体的优化标志。 有关示例，请参阅 GCC 手册。

有一些预先配置的构建配置可以添加到 bazel 构建命令中，例如：

• --config=mk1 —支持英特尔 ®MKL-DNN
• --config=monolithic —Configuration 用于大多数静态的单片构建
  

注意：从 TensorFlow 1.6 开始，二进制文件使用 AVX 指令，这些指令可能无法在较老的 CPU 上运行。

构建 pip 包
Bazel 构建 仅 CPU

使用 bazel 让 TensorFlow 包构建器仅支持 CPU：

1. $ bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package

复制代码

GPU 支持
要使 TensorFlow 包构建器具有 GPU 支持：

1. $ bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package

复制代码

Bazel 构建选项

从源代码构建 TensorFlow 会使用大量的 RAM。 如果您的系统受内存限制，请使用以下命令限制 Bazel 的 RAM 使用情况：--local_resources 2048,.5,1.0.

官方 TensorFlow 软件包使用 GCC 4 构建，并使用较老的 ABI。对于 GCC 5 及更高版本，使用以下命令使您的构建与老的 ABI 兼容： - cxxopt =“ - D_GLIBCXX_USE_CXX11_ABI = 0”。 ABI 兼容性确保针对官方 TensorFlow 包构建的自定义操作继续与 GCC 5 构建的包一起使用。

构建包

bazel build 命令创建一个名为 build_pip_package 的可执行文件 - 这是一个构建 pip 包的程序。 例如，以下内容在  /tmp/tensorflow_pkg 目录中构建 .whl 包：

1. $ ./bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

复制代码

虽然可以在同一 source tree 下构建 CUDA 和非 CUDA 配置，但推荐在同一 source tree 中切换这两种配置时运行 bazel clean。

安装包
生成的 .whl 文件的文件名取决于 TensorFlow 版本和您的平台。 使用 pip install 来安装软件包，例如：

1. $ pip install /tmp/tensorflow_pkg/tensorflow-version-cp27-cp27mu-linux_x86_64.whl

复制代码

成功：现在已安装 TensorFlow。

Docker Linux 构建
TensorFlow 的 Docker 开发镜像是一种设置环境以从源代码构建 Linux 包的简单方法。 这些镜像已包含构建 TensorFlow 所需的源代码和依赖项。 请参阅 TensorFlow Docker 指南以获取安装和可用镜像标记列表（https://tensorflow.google.cn/install/docker?hl=zh-CN）

仅 CPU

以下示例使用 the :nightly-devel 镜像从最新的 TensorFlow 源代码构建仅 CPU 的 Python 2 包。 有关可用的 TensorFlow -devel 标记，请参阅 Docker 指南。


下载最新的开发镜像并启动我们将用于构建 pip 包的 Docker 容器：

1. $ docker pull tensorflow/tensorflow:nightly-devel
   
2. $ docker run -it -w /tensorflow -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
   
3.     tensorflow/tensorflow:nightly-devel bash
   
4. 
   
5. # git pull  # within the container, download the latest source code

复制代码

上面的 docker run 命令在 / tensorflow 目录中启动一个 shell – source tree 的根目录。 它将主机的当前目录安装在容器的 / mnt 目录中，并通过环境变量将主机用户的信息传递给容器（用于设置权限 - Docker 可以使这一点变得棘手）。

或者，要在容器中构建 TensorFlow 的主机副本，请将主机 source tree 挂载到容器的 / tensorflow 目录：

1. $ docker run -it -w /tensorflow -v /path/to/tensorflow:/tensorflow -v $PWD:/mnt \
   
2.     -e HOST_PERMS="$(id -u):$(id -g)" tensorflow/tensorflow:nightly-devel bash

复制代码

设置 source tree 后，在容器的虚拟环境中构建 TensorFlow 包：

1. 配置构建 - 这会提示用户回答构建配置问题。
2. 构建用于创建 pip 包的工具。
3. 运行该工具以创建 pip 包。
4. 调整容器外部文件的所有权。

1. # ./configure  # answer prompts or use defaults
   
2. 
   
3. # bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package
   
4. 
   
5. # ./bazel-bin/tensorflow/tools/pip_package/build_pip_package /mnt  # create package
   
6. 
   
7. # chown $HOST_PERMS /mnt/tensorflow-version-cp27-cp27mu-linux_x86_64.whl

复制代码

安装并验证容器中的包：

1. # pip uninstall tensorflow  # remove current version
   
2. 
   
3. # pip install /mnt/tensorflow-version-cp27-cp27mu-linux_x86_64.whl
   
4. # cd /tmp  # don't import from source directory
   
5. # python -c "import tensorflow as tf; print(tf.__version__)"

复制代码

成功：现已安装 TensorFlow。

在主机上，TensorFlow pip 包位于当前目录中（具有主机用户权限）：./tensorflow-version-cy27-cp27mu-linux_x86_64.whl

GPU 支持

Docker 是为 TensorFlow 构建 GPU 支持的最简单方法，因为主机只需要 NVIDIA® 驱动程序（不必安装 NVIDIA® CUDA® Toolkit）。 请参阅 GPU 支持指南和 TensorFlow  Docker 指南, 来设置 nvidia-docker（仅限 Linux）。

以下示例加载 TensorFlow :nightly-devel-gpu-py3 镜像，并使用 nvidia-docker 运行启用 GPU 的容器。 此开发镜像配置为构建支持 GPU 的 Python 3 pip 包：

1. $ docker pull tensorflow/tensorflow:nightly-devel-gpu-py3
   
2. $ docker run --runtime=nvidia -it -w /tensorflow -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
   
3.     tensorflow/tensorflow:nightly-devel-gpu-py3 bash

复制代码

之后，在容器的虚拟环境中， 在 GPU 支持下构建 TensorFlow 包：

1. # ./configure  # answer prompts or use defaults
   
2. 
   
3. # bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package
   
4. 
   
5. # ./bazel-bin/tensorflow/tools/pip_package/build_pip_package /mnt  # create package
   
6. 
   
7. # chown $HOST_PERMS /mnt/tensorflow-version-cp35-cp35m-linux_x86_64.whl

复制代码

安装并验证容器中的包，并检查 GPU：

1. # pip uninstall tensorflow  # remove current version
   
2. 
   
3. # pip install /mnt/tensorflow-version-cp27-cp27mu-linux_x86_64.whl
   
4. # cd /tmp  # don't import from source directory
   
5. # python -c "import tensorflow as tf; print(tf.contrib.eager.num_gpus())"

复制代码

成功：现已安装 TensorFlow。


经过测试的构建配置
Linux




macOS
CPU


GPU



- THE END -

halo501

谢谢楼主分享

Nuc_five

直接在pychorm中安装tenorflow的库就行了