【环境配置】tensorflow11.1.0编译

简介: 【环境配置】tensorflow11.1.0编译

一、配置opencv

1、安装依赖

sudo apt-get install cmake
sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg-dev libswscale-dev libtiff5-dev libavresample-dev libgphoto2-dev
sudo apt-get install libgtk2.0-dev
sudo apt-get install pkg-config
apt install ffmpeg

2、下载源码

下载地址:https://opencv.org/releases/

笔者下载的是3.2

解压之后

cd opencv
mkdir build
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local -D WITH_CUDA=OFF ..(关掉cuda编译是担心两者日后冲突);
make -j16(大约需要十分钟)
make install

3、配置环境

在/etc/ld.so.conf中加上 /usr/loacal/lib,其中/user/loacal是opencv安装路径

之后,ldconfig;

打开 /etc/bash.bashrc

加入:

PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig
export PKG_CONFIG_PATH
source /etc/bash.bashrc

4、检验

pkg-config opencv --modversion


二、编译tensorflow

1.安装bazel

https://github.com/bazelbuild/bazel/releases?after=0.15.1

我下载的是0.15.0,tensorflow是1.11.0

运行命令:

chmod +x bazel-0.15.0-installer-linux-x86_64.sh
再./bazel-0.15.0-installer-linux-x86_64.sh

参考博客:https://blog.csdn.net/darkrabbit/article/details/81262556

安装完毕

2、安装gflag glog

https://blog.csdn.net/calvinpaean/article/details/99761765

3、编译tensorflow

我下载的是1.11.0 下载地址传送门:https://github.com/tensorflow/tensorflow/releases?after=v1.13.0-rc2

解压之后./configure,基本都是n 选择cuda的时候选y

而后进入 tensorflow/contrib/makefile 目录下,运行./build_all_linux.sh会安装相关的依赖

但是!这些下载链接基本上都挂啦,所以需要手动下载至相应的文件夹tensorflow/contrib/makefile/downloads/

安装eigen3:

1、apt-get方式(假设默认安装到/usr/local/include里(可在终端中输入locate eigen3查看位置),若实际中默认安装到了/usr/include的话,可以对应替换下面命令的相应部分)

运行命令:

sudo apt-get install libeigen3-dev

运行命令:(参考第二种方法的最下面的说明)

sudo cp -r /usr/local/include/eigen3/Eigen /usr/local/include

执行复制命令,将Eigen文件夹及其内容放在/usr/include

安装protobuf3.6:

https://blog.csdn.net/u010918487/article/details/82947157

ft2build.h: No such file or directory:

https://blog.csdn.net/SundayO/article/details/100892401

没有找到absl:

git clone https://github.com/abseil/abseil-cpp,然后把该库加到搜索目录里面(比如usr/local/include)

openssl/ssl.h: No such file or directory:

https://blog.csdn.net/raoxiaoya/article/details/92797835

相关文章
|
Java TensorFlow 算法框架/工具
Tensorflow Lite移动平台编译|Bazel实践
如果不做定制化操作,我们不需要自己编译TensorFlow Lite Android库。我们可以直接使用位于MavenCentral的TensorFlow Lite AAR。但是在某些情况下,我们需要本地编译TensorFlow Lite。例如,您可能正在构建一个包含operations selected from TensorFlow的自定义二进制文件,或者需要对TensorFlow Lite进行局部修改。
448 0
|
前端开发 TensorFlow 算法框架/工具
编译 TensorFlow 模型
编译 TensorFlow 模型
112 0
|
人工智能 并行计算 Linux
Win10系统编译Tensorflow Lite 2.3为动态链接库tensorflowlite_c.dll
Win10系统编译Tensorflow Lite 2.3为动态链接库tensorflowlite_c.dll
Win10系统编译Tensorflow Lite 2.3为动态链接库tensorflowlite_c.dll
|
并行计算 TensorFlow 算法框架/工具
不惧编译error,编译Tensorflow源码(二)
编译tensorflow遇到的bug本来就多,在Windows平台上bugs更是加大力度。明明官方教程中在配置完环境后只需执行两行bazel命令,第一行命令却产生不少error。笔者踩了不少坑后,总结出了一些解决方法形成此教程。
不惧编译error,编译Tensorflow源码(二)
|
缓存 并行计算 Java
不惧编译error,编译Tensorflow源码(一)
编译tensorflow遇到的bug本来就多,在Windows平台上bugs更是加大力度。明明官方教程中在配置完环境后只需执行两行bazel命令,第一行命令却产生不少error。笔者踩了不少坑后,总结出了一些解决方法形成此教程。
不惧编译error,编译Tensorflow源码(一)
|
编译器 Linux TensorFlow
不惧编译error,编译Tensorflow源码(三)
编译tensorflow遇到的bug本来就多,在Windows平台上bugs更是加大力度。明明官方教程中在配置完环境后只需执行两行bazel命令,第一行命令却产生不少error。笔者踩了不少坑后,总结出了一些解决方法形成此教程。
|
机器学习/深度学习 Web App开发 TensorFlow
|
2月前
|
机器学习/深度学习 数据挖掘 TensorFlow
解锁Python数据分析新技能,TensorFlow&PyTorch双引擎驱动深度学习实战盛宴
在数据驱动时代,Python凭借简洁的语法和强大的库支持,成为数据分析与机器学习的首选语言。Pandas和NumPy是Python数据分析的基础,前者提供高效的数据处理工具,后者则支持科学计算。TensorFlow与PyTorch作为深度学习领域的两大框架,助力数据科学家构建复杂神经网络,挖掘数据深层价值。通过Python打下的坚实基础,结合TensorFlow和PyTorch的强大功能,我们能在数据科学领域探索无限可能,解决复杂问题并推动科研进步。
58 0
|
2月前
|
机器学习/深度学习 数据挖掘 TensorFlow
从数据小白到AI专家:Python数据分析与TensorFlow/PyTorch深度学习的蜕变之路
【9月更文挑战第10天】从数据新手成长为AI专家,需先掌握Python基础语法,并学会使用NumPy和Pandas进行数据分析。接着,通过Matplotlib和Seaborn实现数据可视化,最后利用TensorFlow或PyTorch探索深度学习。这一过程涉及从数据清洗、可视化到构建神经网络的多个步骤,每一步都需不断实践与学习。借助Python的强大功能及各类库的支持,你能逐步解锁数据的深层价值。
62 0
下一篇
无影云桌面