使用Python or C++调用tensorflow教程

马春杰杰

4月 ago

使用Python/C++调用tensorflow教程

1 准备工作

全文参考此链接:

在C ++ Tensorflow中运行Keras模型

目前测试成功的系统配置为：

ubuntu16.04
gcc-4.8
g++-4.8
bazel 0.15.0
tensorflow r1.12
JDK8

1.1 获取数据集

您已经在Keras中构建了一个非常棒的机器学习模型，现在您希望通过Tensorflow本机运行它。本教程将向您展示如何。可以从https://github.com/bitbionic/keras-to-tensorflow.git克隆/下载本教程中的所有代码。您可能希望克隆它以跟随它。

Keras是用于构建机器学习模型的精彩高级框架。它可以利用Tensorflow 或Theano等多个后端来实现这一目标。当通过.save方法保存Keras模型时，规范保存方法序列化为HDF5格式。Tensorflow与协议缓冲区配合使用，因此可以加载和保存.pb文件。本教程演示如何：

在Keras中构建SIMPLE卷积神经网络用于图像分类
将Keras模型保存为HDF5模型
验证Keras模型
将HDF5模型转换为协议缓冲区
构建Tensorflow C ++共享库
在纯Tensorflow应用程序中使用.pb
我们将使用Tensorflow自己的示例代码

它大约是218 MB，您可以从http://download.tensorflow.org/example_images/flower_photos.tgz下载它。提取数据后，您应该看到与此处显示的图像类似的文件夹结构。有5个类别，数据预先分类到测试和训练中。

1.2 训练你的模型

在这个例子中，我将使用非常简单的CNN，但移植模型的技术同样适用于内置的Keras模型，如Inception和ResNet。我并不幻想这个模型会赢得任何奖项，但它将符合我们的目的。

下面列出的代码有几点需要注意：

标记输入和输出层 – 这将使模型转换时更容易调试。
我依靠模型检查点来保存我的.h5文件 – 你也可以在训练结束后调用classifier.save。
记下您使用的形状参数，我们将在以后运行模型时需要它。

下面是使用的命令过程：

python k2tf_trainer.py -h
Using TensorFlow backend.
usage: k2tf_trainer.py [-h] --test TEST --train TRAIN --cats CATEGORIES
                       [--output OUTPUT] [--batch BATCH] [--epochs EPOCHS]
                       [--shape SHAPE]

optional arguments:
  -h, --help            show this help message and exit
  --test TEST           (REQUIRED) location of the test directory
  --train TRAIN         (REQUIRED) location of the test directory
  --cats CATEGORIES, -c CATEGORIES
                        (REQUIRED) number of categories for the model to learn
  --output OUTPUT, -o OUTPUT
                        location of the output directory (default:./)
  --batch BATCH, -b BATCH
                        batch size (default:32)
  --epochs EPOCHS, -e EPOCHS
                        number of epochs to run (default:30)
  --shape SHAPE, -s SHAPE
                        The shape of the image, single dimension will be
                        applied to height and width (default:128)

python k2tf_trainer.py --test=../../data/flowers/raw-data/validation --train=../../data/flowers/raw-data/train --cats=5 --shape=80 --batch=120 --epochs=400 --output=./temp

1.3 测试你的模型

所以现在让我们对我们的模型进行快速检查 – 这是一个加载模型，图像，形状和索引的小脚本（特别是如果你没有使用花集），以下是我的例子：

python k2tf_eval.py -h
Using TensorFlow backend.
usage: k2tf_eval.py [-h] --model MODEL --image IMAGE --shape SHAPE
                    [--labels LABELS]

optional arguments:
  -h, --help            show this help message and exit
  --model MODEL, -m MODEL
                        The HDF5 Keras model you wish to run
  --image IMAGE, -i IMAGE
                        The image you wish to test
  --shape SHAPE, -s SHAPE
                        The shape to resize the image for the model
  --labels LABELS, -l LABELS
                        The indices.txt file containing the class_indices of
                        the Keras training set
######################
# LETS TRY A DANDELION
######################
python k2tf_eval.py -m '/home/bitwise/Development/keras-to-tensorflow/temp/k2tf-20170816140235/e-075-vl-0.481-va-0.837.h5' -i '/home/bitwise/data/flowers/raw-data/validation/dandelion/13920113_f03e867ea7_m.jpg' -s 80
Using TensorFlow backend.

daisy : 0.02 percent
dandelion : 99.95 percent
roses : 0.02 percent
sunflowers : 0.00 percent
tulips : 0.01 percent

######################
# LETS TRY A ROSE
######################
python k2tf_eval.py -m '/home/bitwise/Development/keras-to-tensorflow/temp/k2tf-20170816140235/e-075-vl-0.481-va-0.837.h5' -i '/home/bitwise/data/flowers/raw-data/validation/roses/160954292_6c2b4fda65_n.jpg' -s 80
Using TensorFlow backend.

daisy : 1.85 percent
dandelion : 0.14 percent
roses : 70.67 percent
sunflowers : 0.01 percent
tulips : 27.33 percent


######################
# LETS TRY A TULIP
######################
python k2tf_eval.py -m '/home/bitwise/Development/keras-to-tensorflow/temp/k2tf-20170816140235/e-075-vl-0.481-va-0.837.h5' -i '/home/bitwise/data/flowers/raw-data/validation/tulips/450607536_4fd9f5d17c_m.jpg' -s 80
Using TensorFlow backend.

daisy : 0.00 percent
dandelion : 0.00 percent
roses : 1.65 percent
sunflowers : 0.52 percent
tulips : 97.83 percent

1.4 从HDF5转换为.pb

归因：此脚本改编自https://github.com/amir-abdi/keras_to_tensorflow

我将上面链接中的笔记本改为我们可以从命令行运行的脚本。除了参数解析之外，代码几乎相同。此代码执行以下操作：

加载.h5文件
用命名的Identity Tensor替换你的输出张量 – 如果你使用的是你没有构建的模型并且不知道所有的输出名称（当然你可以去挖掘，这可能会有用））。
保存图形定义的ASCII表示。我使用它来验证Tensorflow的输入和输出名称。这在调试中很有用。
将图中的所有变量替换为常量。
将结果图形写入您在脚本中指定的输出名称。

下面是命令过程：

python k2tf_convert.py -h
Using TensorFlow backend.
usage: k2tf_convert.py [-h] --model MODEL --numout NUM_OUT [--outdir OUTDIR]
                       [--prefix PREFIX] [--name NAME]

optional arguments:
  -h, --help            show this help message and exit
  --model MODEL, -m MODEL
                        REQUIRED: The HDF5 Keras model you wish to convert to
                        .pb
  --numout NUM_OUT, -n NUM_OUT
                        REQUIRED: The number of outputs in the model.
  --outdir OUTDIR, -o OUTDIR
                        The directory to place the output files -
                        default("./")
  --prefix PREFIX, -p PREFIX
                        The prefix for the output aliasing -
                        default("k2tfout")
  --name NAME           The name of the resulting output graph -
                        default("output_graph.pb")

python k2tf_convert.py -m '/home/bitwise/Development/keras-to-tensorflow/temp/k2tf-20170816140235/e-075-vl-0.481-va-0.837.h5' -n 1
Using TensorFlow backend

Output nodes names are:  ['k2tfout_0']
Saved the graph definition in ascii format at:  ./graph_def_for_reference.pb.ascii
Converted 10 variables to const ops.
Saved the constant graph (ready for inference) at:  ./output_graph.pb

如您所见，写出了两个文件。ASCII和.pb文件。让我们看看图形结构，注意输入节点名称“firstConv2D_input”和输出名称“k2tfout_0”，我们将在下一节中使用它们：

2 使用Tensorflow的label_image示例

2.1 使用python

本教程的其余部分将大量利用Tensorflow的图像识别示例。具体而言该文件为Python和此文件中的C ++。

我将这两个文件复制到本教程的git repo中。现在让我们测试一下。

使用Python运行Tensorflow模型

运行Python脚本非常简单。请记住，我们需要提供以下参数：

我们上面生成的output_graph.pb
标签文件 – 这是随数据集提供的，但您可以从我们在Keras模型培训中生成的indices.txt文件生成类似的labels.txt
输入宽度和高度。记得我训练过80×80，所以我必须在这里进行调整
输入层名称 – 我在上面转换的生成的ASCII文件中找到了这个。在这种情况下，它是“firstConv2D_input” – 记住我们的k2tf_trainer.py命名为第一层“firstConv2D”。
输出层名称 – 我们用前缀创建了它，可以在我们的ASCII文件中验证它。我们使用脚本默认值“k2tfout_0”
最后，我们想要处理的图像。

我们来试试吧：

python label_image.py -h
usage: label_image.py [-h] [--image IMAGE] [--graph GRAPH] [--labels LABELS]
                      [--input_height INPUT_HEIGHT]
                      [--input_width INPUT_WIDTH] [--input_mean INPUT_MEAN]
                      [--input_std INPUT_STD] [--input_layer INPUT_LAYER]
                      [--output_layer OUTPUT_LAYER]

optional arguments:
  -h, --help            show this help message and exit
  --image IMAGE         image to be processed
  --graph GRAPH         graph/model to be executed
  --labels LABELS       name of file containing labels
  --input_height INPUT_HEIGHT
                        input height
  --input_width INPUT_WIDTH
                        input width
  --input_mean INPUT_MEAN
                        input mean
  --input_std INPUT_STD
                        input std
  --input_layer INPUT_LAYER
                        name of input layer
  --output_layer OUTPUT_LAYER
                        name of output layer

######################
# LETS TRY A DANDELION
######################
python label_image.py --graph=./output_graph.pb --labels=../../data/flowers/raw-data/labels.txt --input_width=80 --input_height=80 --input_layer=firstConv2D_input --output_layer=k2tfout_0 --image=../../data/flowers/raw-data/validation/dandelion/13920113_f03e867ea7_m.jpg 
2017-08-18 13:05:04.977442: I ./main.cpp:250] dandelion (1): 0.999625
2017-08-18 13:05:04.977517: I ./main.cpp:250] daisy (0): 0.00023931
2017-08-18 13:05:04.977530: I ./main.cpp:250] roses (2): 8.84324e-05
2017-08-18 13:05:04.977541: I ./main.cpp:250] tulips (4): 4.70001e-05
2017-08-18 13:05:04.977553: I ./main.cpp:250] sunflowers (3): 7.26905e-08

######################
# LETS TRY A ROSE
######################
python label_image.py --graph=./output_graph.pb --labels=../../data/flowers/raw-data/labels.txt --input_width=80 --input_height=80 --input_layer=firstConv2D_input --output_layer=k2tfout_0 --image=../../data/flowers/raw-data/validation/roses/160954292_6c2b4fda65_n.jpg
2017-08-18 13:06:27.205764: I ./main.cpp:250] roses (2): 0.660571
2017-08-18 13:06:27.205834: I ./main.cpp:250] tulips (4): 0.31912
2017-08-18 13:06:27.205845: I ./main.cpp:250] daisy (0): 0.0188609
2017-08-18 13:06:27.205853: I ./main.cpp:250] dandelion (1): 0.00124337
2017-08-18 13:06:27.205862: I ./main.cpp:250] sunflowers (3): 0.000204971

######################
# LETS TRY A TULIP
######################
python label_image.py --graph=./output_graph.pb --labels=../../data/flowers/raw-data/labels.txt --input_width=80 --input_height=80 --input_layer=firstConv2D_input --output_layer=k2tfout_0 --image=../../data/flowers/raw-data/validation/tulips/450607536_4fd9f5d17c_m.jpg
2017-08-18 13:08:08.395576: I ./main.cpp:250] tulips (4): 0.96644
2017-08-18 13:08:08.395657: I ./main.cpp:250] sunflowers (3): 0.0188329
2017-08-18 13:08:08.395669: I ./main.cpp:250] roses (2): 0.0147128
2017-08-18 13:08:08.395681: I ./main.cpp:250] daisy (0): 1.08454e-05
2017-08-18 13:08:08.395691: I ./main.cpp:250] dandelion (1): 3.82244e-06

所以现在Tensorflow在Python中运行我们的模型 – 但是我们如何使用C ++？

2.2 使用C ++运行Tensorflow模型

如果您还在阅读，那么我假设您需要弄清楚如何在C ++的生产环境中运行Tensorflow。

2.2.1 编译tensorflow

对于我的项目，我想要一个可以链接和部署的Tensorflow共享库。这就是我们将在此项目中构建的内容，并使用它构建label_image示例。对于tensorflow c++接口来说，只能通过源码进行编译安装，不能通过pip安装。

要在C ++中运行我们的模型，我们首先需要获取Tensorflow源代码树。该指令在这里，但我们将在下面走通他们。

(tensorflow) $ ~/Development/keras-to-tensorflow $ git clone https://github.com/tensorflow/tensorflow
Cloning into 'tensorflow'...
remote: Counting objects: 223667, done.
remote: Compressing objects: 100% (15/15), done.
remote: Total 223667 (delta 2), reused 8 (delta 0), pack-reused 223652
Receiving objects: 100% (223667/223667), 116.84 MiB | 3.17 MiB/s, done.
Resolving deltas: 100% (173085/173085), done.
Checking connectivity... done.
(tensorflow) $ ~/Development/keras-to-tensorflow $ cd tensorflow/
(tensorflow) $ ~/Development/keras-to-tensorflow/tensorflow $ git checkout r1.1
Branch r1.1 set up to track remote branch r1.1 from origin.
Switched to a new branch 'r1.12'
(tensorflow) $ ~/Development/keras-to-tensorflow/tensorflow $ ls
ACKNOWLEDGMENTS  BUILD              LICENSE       tensorflow   WORKSPACE
ADOPTERS.md      configure          models.BUILD  third_party
AUTHORS          CONTRIBUTING.md    README.md     tools
bower.BUILD      ISSUE_TEMPLATE.md  RELEASE.md    util
(tensorflow) $ ~/Development/keras-to-tensorflow/tensorflow $

查看tensorflow的要求，我们选择bazel0.15.0，要求如下：

bazel的安装说明如下：
【mcj】bazel安装指定版本

验证以下bazel的版本信息：
bazel help

现在我们已经安装了所有东西，我们可以配置和构建。确保您位于顶级tensorflow目录中。我使用了所有默认配置选项。执行此操作时，配置工具将下载一堆依赖项 – 这需要一两分钟。

(tensorflow) $ ~/Development/keras-to-tensorflow/tensorflow $ ./configure
Please specify the location of python. [Default is /home/bitwise/anaconda3/envs/tensorflow/bin/python]:
Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native]:
Do you wish to use jemalloc as the malloc implementation? [Y/n]
jemalloc enabled
Do you wish to build TensorFlow with Google Cloud Platform support? [y/N]
No Google Cloud Platform support will be enabled for TensorFlow
Do you wish to build TensorFlow with Hadoop File System support? [y/N]
No Hadoop File System support will be enabled for TensorFlow
Do you wish to build TensorFlow with the XLA just-in-time compiler (experimental)? [y/N]
No XLA support will be enabled for TensorFlow
Found possible Python library paths:
  /home/bitwise/anaconda3/envs/tensorflow/lib/python3.6/site-packages
Please input the desired Python library path to use.  Default is [/home/bitwise/anaconda3/envs/tensorflow/lib/python3.6/site-packages]

Using python library path: /home/bitwise/anaconda3/envs/tensorflow/lib/python3.6/site-packages
Do you wish to build TensorFlow with OpenCL support? [y/N]
No OpenCL support will be enabled for TensorFlow
Do you wish to build TensorFlow with CUDA support? [y/N]
No CUDA support will be enabled for TensorFlow
Configuration finished
INFO: Starting clean (this may take a while). Consider using --expunge_async if the clean takes more than several minutes.
............
WARNING: ~/.cache/bazel/_bazel_bitwise/7f7ca38846ebb2cb18e80e7c35ca353a/external/bazel_tools/tools/build_defs/pkg/pkg.bzl:196:9: pkg_tar: renaming non-dict `files` attribute to `srcs`
WARNING: ~/.cache/bazel/_bazel_bitwise/7f7ca38846ebb2cb18e80e7c35ca353a/external/bazel_tools/tools/build_defs/pkg/pkg.bzl:196:9: pkg_tar: renaming non-dict `files` attribute to `srcs`
WARNING: ~/.cache/bazel/_bazel_bitwise/7f7ca38846ebb2cb18e80e7c35ca353a/external/bazel_tools/tools/build_defs/pkg/pkg.bzl:196:9: pkg_tar: renaming non-dict `files` attribute to `srcs`
WARNING: ~/.cache/bazel/_bazel_bitwise/7f7ca38846ebb2cb18e80e7c35ca353a/external/bazel_tools/tools/build_defs/pkg/pkg.bzl:196:9: pkg_tar: renaming non-dict `files` attribute to `srcs`
Building: no action running

接下来进行build，如下：
bazel build --jobs=6 --verbose_failures -c opt --copt=-mavx --copt=-mfpmath=both --copt=-msse4.2 //tensorflow:libtensorflow_cc.so

上面是ubuntu下进行编译tensorflow，对于centos来说，类似，只不过bazel安装更加简单。

2.2.2 编译程序

在教程git repo中，我包含了一个qmake .pro文件，该文件链接.so和所有必需的标头位置。我将它包括在内作为参考 – 你不需要qmake来构建它。实际上，我要包含要构建的g ++命令。您可能需要根据您的环境进行调整。假设您正在从repo的根目录构建main.cpp，并且我们刚刚创建的tensorflow构建被克隆并构建在同一目录中，所有路径都应该是相对的并且开箱即用。

下面是编译命令：

g++ -c -pipe -g -std=gnu++11 -Wall -W -fPIC -I. -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -o main.o ./main.cpp
g++  -o Tutorial main.o   -L./tensorflow/bazel-bin/tensorflow -ltensorflow_cc
cp ./tensorflow/bazel-bin/tensorflow/libtensorflow* .

执行第一条命令的时候总是出现错误：

然后进行debug，发现是absl这个文件的问题，找到absl这个文件，然后放到tensorflow目录下，重新执行，这时，只剩下这三条错误：

按照@李丰存的帮助，那就不用TensorFlow 的StringPiece了，直接修改代码使用C++的string 。把用到StringPiece 的地方函数用相应的string 的函数实现。
这是修改后的main.cpp文件：

https://www.jianguoyun.com/p/DfisZ-0QwYPTBhjf6ZwB

接着执行第二条命令，结果报错：

找了好多方法，最后在github上找到的，将：
g++ -o Tutorial main.o -L./tensorflow/bazel-bin/tensorflow -ltensorflow_cc替换为：
g++ -std=c++11 -o Tutorial main.bak.o -L./tensorflow/bazel-bin/tensorflow -ltensorflow_cc -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -I/usr/include/eigen3 -ltensorflow_cc -ltensorflow_framework

中间安装了eigen3、G++-4.8不知道跟这个有没有关系。

好了，到这一步就得到Tutorial 这个文件了，使用./Tutorial -h应该能得到使用帮助，可是我在这一步的时候又报错，说找不到libtensorflow_cc.so文件：
./Tutorial: error while loading shared libraries: libtensorflow_cc.so: cannot open shared object file: No such file or directory

于是将这个文件所在的路径包含在/etc/ld.so.conf这个文件里，然后ldconfig一下，再重新执行./Tutorial -h就行了。

执行一个命令试试：

./Tutorial --graph=./output_graph.pb --labels=./data/flowers/raw-data/labels.txt --input_width=80 --input_height=80 --input_layer=firstConv2D_input --output_layer=k2tfout_0 --image=./data/flowers/raw-data/validation/dandelion/13920113_f03e867ea7_m.jpg

完成。

接下来的工作就是修改main.cpp，然后使其可以读取我们自己训练的faster rcnn模型了。

3 使用c++调用对方给的faster模型

3.1 ubuntu

@李丰存给了一个main1.cpp的文件，里面是经过了修改的可以调用给定模型。经过前面的环境搭建之后，同样，先对cpp文件进行build

g++ -c -pipe -g -std=gnu++11 -Wall -W -fPIC -I. -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -o mainfaster.o ./main1.cpp

这一步没有问题，只是有一些警告，没有错误。

然后进行下一步：

g++ -std=c++11 -o Tutorialfaster mainfaster.o -L./tensorflow/bazel-bin/tensorflow -ltensorflow_cc -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -I/usr/include/eigen3 -ltensorflow_cc -ltensorflow_framework

在这一步的时候出现了错误：

应该是没有添加合适的依赖造成的，于是增加：

g++ -std=c++11 -o Tutorialfaster mainfaster.o -L./tensorflow/bazel-bin/tensorflow -ltensorflow_cc -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -I/usr/include/eigen3 -ltensorflow_cc -ltensorflow_framework -L/usr/local/lib -I/usr/local/include/opencv -L/usr/local/lib -lopencv_core -lopencv_highgui -lpthread -lrt

这时错误少了一些：

在这里：https://bbs.csdn.net/topics/390206286，找到了一个解决方法，于是添加`
-I /usr/local/include/opencv -L /usr/local/lib -lopencv_core -lopencv_highgui -lopencv_imgproc -lopencv_gpu -lopencv_ts -lopencv_video -lopencv_objdetect -lopencv_ml -lpthread`，即：

g++ -std=c++11 -o Tutorialfaster mainfaster.o -L./tensorflow/bazel-bin/tensorflow -ltensorflow_cc -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -I/usr/include/eigen3 -ltensorflow_cc -ltensorflow_framework -L/usr/local/lib -I/usr/local/include/opencv -L/usr/local/lib -lopencv_core -lopencv_highgui -lpthread -lrt -I /usr/local/include/opencv -L /usr/local/lib -lopencv_core -lopencv_highgui -lopencv_imgproc -lopencv_gpu -lopencv_ts -lopencv_video -lopencv_objdetect -lopencv_ml -lpthread

这时错误又少了几个，看出来是有效的。

精简了一下，变成下面：

g++ -std=c++11 -o Tutorialfaster mainfaster.o -L./tensorflow/bazel-bin/tensorflow -ltensorflow_cc -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -I/usr/include/eigen3 -ltensorflow_cc -ltensorflow_framework -L/usr/local/lib  -lopencv_core -lopencv_imgproc

针对最后两个错误，imread和imwrite，导致错误的原因是由于忘记添加opencv_imgcodecs。自opencv3.0之后，图像读取相关代码在imgcodes中。因此，加上这个依赖就行了。最终命令如下：

g++ -std=c++11 -o Tutorialfaster mainfaster.o -L./tensorflow/bazel-bin/tensorflow -ltensorflow_cc -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -I/usr/include/eigen3 -ltensorflow_cc -ltensorflow_framework -L/usr/local/lib  -lopencv_core -lopencv_imgproc -lopencv_imgcodecs

3.2 centos

上面是ubuntu下的编译过程，下面是centos中遇到的问题：

遇到的主要问题是bazel版本问题和protobuf的版本问题，tensorflowr1.12版本所需bazel版本为0.15.0。还有，r1.12需要的protobuf版本为3.6.0以上，我装了3.6.1之后，仍然报错：

查找多个地方之后，决定忽略这个错误，找到相对应的错误文件，将对应错误输出代码删掉，问题解决。
对于上述致命错误，需要下载absl，然后将其放到tensorflow目录，在命令后加入-I./tensorflow/abseil-cpp/即可。
除了tensorflow，opencv的依赖添加也有问题。最终在centos下进行编译的完整命令为：

g++ -c -pipe -g -std=gnu++11 -Wall -W -fPIC -I/usr/local/protobuf -I/usr/local/protobuf/include  -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -L/usr/local/protobuf -L/usr/local/protobuf/include -I./tensorflow/abseil-cpp/  -o mainfaster.o 
./main.cpp

g++ -std=c++11 -o Tutorialfaster mainfaster.o -L./tensorflow/bazel-bin/tensorflow -ltensorflow_cc -I./tensorflow -I./tensorflow/bazel-tensorflow/external/eigen_archive -I./tensorflow/bazel-tensorflow/external/protobuf/src -I./tensorflow/bazel-genfiles -I/usr/include/eigen3 -ltensorflow_cc -ltensorflow_framework -L/usr/local/lib  -lopencv_core -lopencv_imgproc -lopencv_imgcodecs -l opencv_highgui

编译完成后，在执行的时候，会遇到错误：
./Tutorialfaster: error while loading shared libraries: libtensorflow_cc.so: cannot open shared object file: No such file or directory
解决方法为：
使用sudo cp -frap ./tensorflow/bazel-bin/tensorflow/libtensorflow* .将TensorFlow的so文件都复制到当前目录，不过其实应该选一个固定的目录代替当前目录，如/etc/lib。然后sudo ldconfig使其生效即可。

赞一个 (0)收藏 (0)