windows环境VS2015编译TensorFlow C++程序完全攻略

本文参考和综合了多篇网络博客文章，加以自己的实践，最终终于在windows环境下，编译出可以用于C++程序调用tensorflow API的程序，并执行成功。

考虑到网络上关于这方面的资料还较少，特总结全过程如下，希望能帮助到有需要的码农朋友，文中有部分文字步骤是借鉴他人文章，引用路径在最后列出。

一、环境准备：

操作系统：windows8.1
安装visual stduio2015
安装Swigwin-3.0.12，注意其下载解压以后即可使用，本人放置路径在D:/lib/swigwin-3.0.12，可执行文件地址为 D:/swigwin-3.0.12/swig.exe
安装python3.5，安装时注意选择将路径添加到环境变量。
安装CMake-3.8.0 ，安装时注意选择将路径添加到环境变量。
安装Git，用于在编译过程中从GitHub上下载依赖项。
将GitHub上TensorFlow的master分支下载并解压到文件夹D:\tf中，编辑文件tensorflow/tensorflow/contrib/cmake/CMakeLists.txt，将第87行至93行修改如下：

 1 if (tensorflow_OPTIMIZE_FOR_NATIVE_ARCH)
 2   include(CheckCXXCompilerFlag)
 3   CHECK_CXX_COMPILER_FLAG("-march=native" COMPILER_OPT_ARCH_NATIVE_SUPPORTED)
 4   if (COMPILER_OPT_ARCH_NATIVE_SUPPORTED)
 5     set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} -march=native")
 6   else()
 7     CHECK_CXX_COMPILER_FLAG("/arch:AVX" COMPILER_OPT_ARCH_AVX_SUPPORTED)
 8     if(COMPILER_OPT_ARCH_AVX_SUPPORTED)
 9       set(CMAKE_CXX_FLAGS "${CMAKE_CXX_FLAGS} /arch:AVX")
10     endif()
11   endif()
12 endif()

二、使用CMAKE设置各项编译参数

打开下载tensorflow源文件的根目录，本文路径是E:TF Code/TensorFlow，在路径下进入../tensorflow\contrib\cmake，新建文件夹\build。
打开已安装的CMAKE-GUI工具，进行各项编译选项的配置，本文配置界面如下：
点击configue，下方提示Configuring done后，点击Generate，等待Generating done后完成编译设置。如果中间有报错，请检测各路径设置是否正确。

三、编译生成tensorflow库文件

打开visual studio2015，打开E:\TF Code\tensorflow\tensorflow\contrib\cmake\build下的ALL_BUILD项目。我们在此只以release版本为例，所以检查编译平台是

点击生成解决方案，编译的时间很长，我的笔记本电脑编译一次大概3到4个小时，编译到最后一般都会报错

fatal error C1060: compiler is out of heap space 没关系，等待整个工程全部编译完成（据说内存特别大的电脑不会报）。

找到tf_core_kernels项目，右键单独编译，操作如下图。

　　4. tf_core_kernels项目编译成功后，再同样对tensorflow_static作单独编译，最后再对tensorflow作单独编译。.

　　　这样tensorflow.lib和tensorflow.dll文件就可以编译出来了，生成的库文件路径在..\tensorflow\tensorflow\contrib\cmake\build\Release下。

四、使用tensorflow库文件编写C++程序

在vs2015中创建一个新的Win32控制台工程TestTensorFlow，注意也必须把编译平台设置成。

新建一个TestTensorFlow.h，在其中输入

#pragma once

#define COMPILER_MSVC
#define NOMINMAX

对应的TestTensorFlow.CPP文件中输入如下：

// TestTensorFlow.cpp : 定义控制台应用程序的入口点。
//
#include "stdafx.h"

#include <vector>
#include <eigen/Dense>

#include "TestTensorFlow.h"
#include "tensorflow/core/public/session.h"
#include "tensorflow/cc/ops/standard_ops.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();
}

　设置要包含的tensorflow头文件路径，右键项目属性——C/C++——附加包含目录

E:\TF Code\tensorflow\tensorflow\contrib\cmake\build\Debug
E:\TF Code\tensorflow\tensorflow\contrib\cmake\build\external\nsync\public
E:\TF Code\tensorflow\tensorflow\contrib\cmake\build\protobuf\src\protobuf\src
E:\TF Code\tensorflow\tensorflow\contrib\cmake\build\external\eigen_archive
E:\TF Code\tensorflow\tensorflow\contrib\cmake\build
E:\TF Code\tensorflow
E:\TF Code\tensorflow\third_party\eigen3