1、版本要求

版本    Python 版本    编译器    编译工具
tensorflow-1.13.1    2.7、3.3-3.6    GCC 4.8    Bazel 0.19.2
tensorflow-1.12.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.15.0
tensorflow-1.11.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.15.0
tensorflow-1.10.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.15.0
tensorflow-1.9.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.11.0
tensorflow-1.8.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.10.0
tensorflow-1.7.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.10.0
tensorflow-1.6.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.9.0
tensorflow-1.5.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.8.0
tensorflow-1.4.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.5.4
tensorflow-1.3.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.4.5
tensorflow-1.2.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.4.5
tensorflow-1.1.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.4.2
tensorflow-1.0.0    2.7、3.3-3.6    GCC 4.8    Bazel 0.4.2
 

2、编译安装Bazel-0.21.0
TensorFlow要用Bazel来进行构建，所以要先安装Bazel，后面我们编译好动态库后，就可以摆脱Bazel这个依赖了。Bazel官网安装教程：https://docs.bazel.build/versions/master/install-compile-source.html，我这里是按照如下方式操作的，最后输入bazel version命令确认安装成功

wget https://github.com/bazelbuild/bazel/releases/download/0.21.0/bazel-0.21.0-installer-linux-x86_64.sh
chmod +x ./bazel-0.21.0-installer-linux-x86_64.sh
./bazel-0.21.0-installer-linux-x86_64.sh

3、编译TensorFlow-1.31.1

编译libtensorflow_cc.so
git clone 获取tensorflow的源码

git clone https://github.com/tensorflow/tensorflow
cd tensorflow
git checkout r1.13
编译之前，要进行一系列的配置：

./configure
接下来，配置系统会给出各种询问，以确认编译时的配置参数，直接按回车，确认默认值Y（默认值通常就是被大写的选项），下面挑选比较重要的几个参数解释如下：

Do you wish to build TensorFlow with CUDA support? [y/N]: 
No CUDA support will be enabled for TensorFlow.
这个选项是询问是否使用CUDA。CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。如果用户配备有NVIDIA的GPU，可以选择“y”，如果仅使用TensorFlow的CPU版本，回车确认“N”。

Do you wish to build TensorFlow with MPI support? [y/N]: 
No MPI support will be enabled for TensorFlow.
这个选项是询问是否使用MPI。MPI(Message-Passing-Interface 消息传递接口)是实现进程级别的并行程序的通信协议，它通过在进程之间进行消息传递。如果不是基于TensorFlow做并行程序开发，建议回车确认选择默认值“N”。

Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native]:
这个选项是指定CPU编译优化选项。默认值就是“-march=native”。这里“m”表示“machine（机器）”，“arch”就是“architecture”简写。“march”合在一起表示机器的结构，如果选择“-march=native”，则表示选择本地（native）CPU，如果本地CPU比较高级，就可以支持SSE4.2、AVX等选项。这里建议选择默认值。

编译过程中可能会报错"no such package '@png_archive//"，建议在编译之前运行如下命令：

yum install -y patch
编译C++ API所需的库，期间Bazel需要联网下载许多依赖，时间有点长：

bazel build --config=opt //tensorflow:libtensorflow_cc.so
编译正常完成后，会在bazel-bin/tensorflow/文件夹下生产libtensorflow_cc.so和libtensorflow_framework.so这两个动态库文件。

4、编译Protobuf和Eigen

这个步骤中需要运行autogen.sh，在此之前得 yum install autoconf automake libtool

yum install autoconf   
yum install automake
yum install libtool
# protobuf
mkdir /tmp/proto
./tensorflow/contrib/makefile/download_dependencies.sh
cd tensorflow/contrib/makefile/downloads/protobuf/
./autogen.sh
./configure --prefix=/tmp/proto/
make
make install
 
# eigen
mkdir /tmp/eigen
cd ../eigen
mkdir build_dir
cd build_dir
cmake -DCMAKE_INSTALL_PREFIX=/tmp/eigen/ ../
make install
cd ../../../../../..
————————————————

5、整理库文件和头文件

库文件
mkdir -p ../tf_test/lib
cp bazel-bin/tensorflow/libtensorflow_cc.so ../tf_test/lib/
cp bazel-bin/tensorflow/libtensorflow_framework.so ../tf_test/lib/  # 之前编译r0.12和r1.3版本的库，只需要libtensorflow_cc.so，1.4版本的似乎分成了两个so文件，即还需要libtensorflow_framework.so
cp /tmp/proto/lib/libprotobuf.a ../tf_test/lib/
头文件
mkdir -p ../tf_test/include/tensorflow
cp -r bazel-genfiles/* ../tf_test/include/
cp -r tensorflow/cc ../tf_test/include/tensorflow
cp -r tensorflow/core ../tf_test/include/tensorflow
cp -r third_party ../tf_test/include
cp -r /tmp/proto/include/* ../tf_test/include
cp -r /tmp/eigen/include/eigen3/* ../tf_test/include
————————————————

6、测试

准备好库文件和相应的头文件后，可以编译测试示例:

示例代码tf_test/test.cc:

#include "tensorflow/cc/client/client_session.h"
#include "tensorflow/cc/ops/standard_ops.h"
#include "tensorflow/core/framework/tensor.h"
 
int main() {
  using namespace tensorflow;
  using namespace tensorflow::ops;
  Scope root = Scope::NewRootScope();
  // Matrix A = [3 2; -1 0]
  auto A = Const(root, { {3.f, 2.f}, {-1.f, 0.f}});
  // Vector b = [3 5]
  auto b = Const(root, { {3.f, 5.f}});
  // v = Ab^T
  auto v = MatMul(root.WithOpName("v"), A, b, MatMul::TransposeB(true));
  std::vector<Tensor> outputs;
  ClientSession session(root);
  // Run and fetch v
  TF_CHECK_OK(session.Run({v}, &outputs));
  // Expect outputs[0] == [19; -3]
  LOG(INFO) << outputs[0].matrix<float>();
  return 0;
}

g++ -std=c++11 -I./include -I./include/external/nsync/public -L./lib test.cc -ltensorflow_cc -ltensorflow_framework -o test

如果编译失败遇到一个小问题，./include/tensorflow/core/lib/core/stringpiece.h:29:38: fatal error: absl/strings/string_view.h: No such file or directory
解决办法：cp -r ../tensorflow/tensorflow/contrib/makefile/downloads/absl/absl/ include/.

编译成功后，如果./test失败，没找到库文件，就直接运行下面这句命令

export LD_LIBRARY_PATH=/root/tf_test/lib:$LD_LIBRARY_PATH
正确的情况下，应该会输出19 -3，还会输出类似Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA的信息，这涉及到CPU指令优化的问题，说明在编译动态库的时候没有选择进行指令优化。

参考：

TensorFlow C++动态库编译 https://www.jianshu.com/p/d46596558640

tensorflow c++ API的编译和调用 https://zhuanlan.zhihu.com/p/46566618

TensorFlow学习系列之七：TensorFlow的源码编译 https://blog.csdn.net/yhily2008/article/details/79967118