win10編譯tensorflow C++介面
首先，我覺得這是一個比較DT的活，因為，tensorflow支援最好的程式語言應該是python(應該說大部分深度學習框架支援的最好的語言都是Python)，tensorflow的底層說是C/C++編寫的，但是，感覺它對C/C++真的很不友好，有關Python的資料一查一大把，有關C/C++的一查寥寥無幾，能看到的還有很多直接就照搬官網的那點少到可憐的例子...由於我可能會比較多的用C/C++來開發，所以，有點希望用上C/C++的API，所以才有了這篇筆記。
好了，就不廢話了，在此先推薦一篇之前參考的文章，寫得比較清楚了，但是我覺得可能還有點不太準確，或者說我沒遇到的問題，或者說我不是這麼解決的。
OK，廢話不多說，直接上方法：
1、需要準備的東西
首先是軟體：CMake Gui，我這裡用的是CMake 3.11.0，基本上3.0以上的應該都OK；VS2015(社群版免費的，基本就可以了)；CUDA9.0以及配套的cudnn7(深度學習必備精品，用CPU的那就不需要了)；Anaconda，官網或者去清華映象下載(python大蟒蛇的絕佳工具，學習和使用深度學習技術應該還是有必要弄一個的吧)；swigwin-3.0.12(這個我不太清楚是幹啥的，但是有用)；梯子(梯子可以解決我參考的那篇部落格提到的某些問題，當然這些問題其實也可以用部落格的方法解決的)；原始碼(我下載的是tensorflow1.8的，因為我電腦上裝的就是tensorflow1.8 Python版本的)；Git(這很重要，編譯過程中要下載檔案的，就是通過Git);
2、Cmake原始碼
以上材料和開發環境我就預設是裝好的，Anaconda比較好辦，參考我之前的一篇筆記，有很簡單粗暴易行的方法，其他方法發也很簡單，基本能搜到N多教程。然後解壓下載下來的原始碼，用Cmake GUI開啟，並設定原始碼路徑和Cmake出來的工程路徑：
然後按左下角的
，配置工程，然後回報錯的：
這裡是由於沒有設定SWIG的路徑，SWIG再官網下載後解壓出來就可以了，然後新增到
中，然後再次點選Configure再配置一遍，然後就修改一些專案
tensorflow項裡面，有梯子的話就可以這樣做：
如果沒有梯子的話就這樣：
沒有GPU的話就把tensorflow_ENABLE_GPU也去掉吧。
然後再次點選Configure配置一邊工程，沒有報錯的話就點選generate生成工程。
3、VS2015編譯
用VS2015開啟vs14_project/tensorflow.sln工程，整個工程Cmake出來時包含274個專案在裡面：
首先修改配置屬性，改為x64下的Release(因為Anaconda的時Release的，沒有Debug，所以這裡最好編譯Release的，Debug可能會有錯誤，而且編譯一個就差不多9G+了，不想嘗試編譯Debug了)，之後需要修改前面五個檔案的配置屬性：
配置好後修改一個檔案tensorflow\contrib\boosted_trees\lib\utils\sparse_column_iterable.cc，將第99~101行註釋掉，改為：
bool operator<( const IndicesRowIterator& other ) const {
QCHECK_LT( iter_, other.iter_ );
return ( row_idx_ < other.row_idx_ );
}
然後就右擊解決方案生成解決方案，這個過程會超級久，因為還要下載很多依賴項，甚至回有一點卡，我查了下工作管理員，主要時比較耗記憶體和CPU，CPU佔有幾乎快滿了。然後我是會出現一個問題，跟tf_core_gpu_kernel編譯不過有關的(看了下錯誤，感覺應該時跟訪問許可權有關，我的CUDA和VS都是裝在C盤的，應該就導致訪問許可權不足，目測是這個原因)，這個時候就關閉VS，然後以管理員身份執行VS2015，然後再開啟tensorflow工程，然後點編譯解決方案(不要重新編譯，點編譯就可以，不然又得花很多時間)，然後這一項會編譯很久，超級久的，以至於我都一度懷疑人生。然後還有一個DT的事情，tf_core_kernel編譯的時候是很容易出現“compiler is out of heap space”導致這一項編譯失敗，然後就會出現別的問題，這個時候就是再點編譯專案就可以了，再次編譯但是不是重新編譯，然後就可以了，因為在編譯這一項的時候是很佔CPU的，CPU幾乎就爆滿了，所以容易出現問題。
基本上這麼做之後就可以編譯通過了，但是我這邊會有一個錯誤，跟Python API有關的，tf_python_api這一項我沒有編譯過，還是報了“cmd.exe”的錯誤，可能是跟我已經裝了tensorflow的python版有關吧，具體沒有查，因為這不是我的目的，況且我電腦上已經有tensorflow的Python版，所以這個我就忽略了，也不是很需要這個。
接下來就是打包標頭檔案和lib檔案、dll檔案，在解決方案中找到INSTALL工程，右鍵單獨對其進行編譯，編譯完成之後就回把相關的標頭檔案、lib檔案、dll檔案和exe檔案(如果需要的話可以找我要打包出來的檔案，編譯這個還挺花時間的)。
編譯好之後做一下小的測試，試驗一下是不是可以用。
4、測試
首先，新建一個控制檯應用程式，然後在工程中新增打包出來的標頭檔案和lib檔案的路徑，程式碼如下：
#include "stdafx.h"
#define COMPILER_MSVC
#define NOMINMAX
#include <vector>
#include <Eigen/Dense>
#include "tensorflow/core/public/session.h"
#include "tensorflow/cc/ops/standard_ops.h"
#include "tensorflow/cc/ops/training_ops.h"
#include "tensorflow/core/framework/graph.pb.h"
using namespace tensorflow;
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();
return 0;
}程式的輸出資訊如下：
跟Python版一樣，也是會先顯示一段系統和硬體資訊，然後是輸出結果，關於程式碼中的變數和函式等都是什麼意思，或者怎麼樣些一個C++的tensorflow程式，後面我再研究研究吧，不過我Python版都不太會寫，所以就還是要花點時間。
原文地址：https://www.bearoom.xyz/2018/08/28/win10%e7%bc%96%e8%af%91tensorflow-c%e6%8e%a5%e5%8f%a3/