【原创】记录我一次详细的TensorFlow源代码编译构建安装包总结

最近公司给我们分配了2台虚拟机服务器用于强化学习训练，我们在虚拟环境中安装好了TensorFlow环境后，在import tensorflow时发现报了下面的错误：

于是我去Google搜索了下出现这个错误的原因，发现是因为我们服务器的CPU不支持AVX指令集导致的，而使用pip安装的TensorFlow需要依赖AVX指令集，为了确认我们的CPU是否真的不支持AVX指令集，我使用cat /proc/cpuinfo 命令查看了下目前CPU指令集支持情况，发现我们的CPU果然不支持AVX指令集。

又不支持又想用咋办，后来经过网上查询了一下，我们可以自己使用TensorFlow的源代码来编译和构建一个TensorFlow的版本，这样的话就可以在不支持AVX指令集的机器上使用TensorFlow了。于是我按照官网https://www.tensorflow.org/install/source给出的步骤来尝试从源码自己编译和构建TensorFlow。

在构建TensorFlow之前，我们要先做两件事：

1. 下载TensorFlow的源码
2. 下载和安装Bazel构建工具

在下载TensorFlow源码如果网速比较好的话，可以直接使用下面的命令从GitHub仓库中克隆TensorFlow代码库的源码：

git clone https://github.com/tensorflow/tensorflow.gitcd tensorflow

如果网速堪忧的话，可以直接先下载zip版本，然后再传到服务器上，我使用的是后者。

注意：这里的代码库默认的是master开发分支。

下载和安装Bazel构建工具这里我要特别说一下，一般来讲，Bazel的安装方式有2种，一种是使用Bazelisk来安装，另外一种是手动安装，我使用的是后者。在官网中会告诉你，你可以安装在GitHub中可以是 tensorflow/configure.py 中指定的介于 _TF_MIN_BAZEL_VERSION 和 _TF_MAX_BAZEL_VERSION 之间的任意版本，但是，这里是一个坑。因为在这里他说可以安装3.10~3.99种的任意一个版本，于是乎我安装了一个3.70的版本，等到真正编译的时候，他会告诉你，这个版本不匹配，需要你安装3.10的版本，于是只能卸载重新安装。

接下来我们需要按照bazel，首先要安装一些依赖：

apt install curl gnupg
curl -fsSL https://bazel.build/bazel-release.pub.gpg | gpg --dearmor > bazel.gpg
mv bazel.gpg /etc/apt/trusted.gpg.d/
echo "deb [arch=amd64] https://storage.googleapis.com/bazel-apt stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list

接下来我们可以使用apt update && sudo apt install bazel-3.1.0命令直接安装就好。

到目前为止我们已经安装好了bazel编译工具，也下载了TensorFlow的源码，那么接下来就要开始准备编译和构建TensorFlow了。

在这之前我们还需要去安装一些相应的依赖，使用如下命令即可：

pip install  six numpy wheel setuptools mock 'future>=0.17.1'
pip install  keras_applications --no-deps
pip install  keras_preprocessing --no-deps

然后我们使用gcc --version查看下我们的gcc版本，我的是18.04自带的7.5.0，可用。

接下来就是真正的编译环节了。首先我们进入到从GitHub中下载的TensorFlow源代码，并执行

./configure

这个时候会让你去做一些配置相关的信息：

Please specify the location of python. [Default is /root/miniconda3/envs/ray/bin/python3]:

这一句是让你输入Python所在的位置，如果没错的话直接回车，如果想修改的话就输入你的Python所在的目录；

Found possible Python library paths:
/root/miniconda3/envs/ray/lib/python3.8/site-packages
Please input the desired Python library path to use.  Default is [/root/miniconda3/envs/ray/lib/python3.8/site-packages]

这一步让你去输入Python library所在的位置，和上面一样，我这里直接回车。

Do you wish to build TensorFlow with ROCm support? [y/N]: N

这一步是问你是不是要build一个支持ROCm的TensorFlow版本，在这里我选择N。

Do you wish to build TensorFlow with CUDA support? [y/N]: N

这一步是问你是不是要build一个支持CUDA的TensorFlow版本，因为我这个是要在分布式集群的CPU版本用的，这个服务器里没用CUDA，所以我选择N。

Do you wish to download a fresh release of clang? (Experimental) [y/N]: N

这一步是问你是不是希望狭隘一个clang是release版本，这里我一开始选择的是Y，由于我网速不好，下载报错，然后就选择了N；

Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native -Wno-sign-compare]:

这一步是让你输入一个编译时候的优化器，在这里我直接用默认的，就直接回车了；

Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]:  N

这一步是问你是不是需要支持Android，我这边不需要，所以直接N，否则的话会让你选择你Android SDK的版本之类的；

当这些都配置完成之后，就会弹出来一个你的配置信息。

接下来就要真正的开始去编译你的TensorFlow源码了，由于我使用的是不带CUDA的版本，所以我直接使用如下命令即可：

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

编译好会看到下面的信息：（由于我自己这块没有截图，用了个网图，我用老的CPU花了7500多秒）

编译好之后，我们就可以在TensorFlow源代码目录输入以下命令，来构建最终的pip安装包：

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

在这里，/tmp/tensorflow_pkg是我自己定义的最终安装包输出的位置，结束后，我们可以cd到 /tmp/tensorflow_pkg目录中，查看里面的内容：

可以看到，我们最终的pip安装版本就已经完成，接下来我们就可以在命令行里输入下面的命令进行安装了：

pip install tensorflow-2.5.0-cp38-cp38-linux_x86_64.whl

安装完成后，我们可以试着在Python交互环境中导入一下TensorFlow，看看是否有报错：

我们发现，可以正常导入和使用，至此，整个TensorFlow源码的编译、构建以及安装环境完成。