# libtensorflow-win-2.6.0 **Repository Path**: yangwuju/libtensorflow-win-2.6.0 ## Basic Information - **Project Name**: libtensorflow-win-2.6.0 - **Description**: we are provide a libtensorflow library for 2.6.0 version in windows system - **Primary Language**: C++ - **License**: Not specified - **Default Branch**: master - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2025-09-23 - **Last Updated**: 2025-09-24 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # API 文档 [API Documentation | TensorFlow v2.16.1](https://tensorflow.google.cn/api_docs) # 安装 C 版 TensorFlow TensorFlow 提供了一个 C API，该 API 可用于[为其他语言构建绑定](https://tensorflow.google.cn/extend/language_bindings?hl=zh-cn)。该 API 在 [`c_api.h`](https://github.com/tensorflow/tensorflow/blob/master/tensorflow/c/c_api.h) 中定义，旨在实现简洁性和一致性，而不是便利性。 ## 每夜版 Libtensorflow C 软件包 Libtensorflow 软件包是在夜间构建的，并会针对所有受支持平台上传到 GCS。软件包会上传到 [libtensorflow-nightly GCS 存储分区](https://storage.googleapis.com/libtensorflow-nightly)，并按操作系统和构建日期编入索引。对于 MacOS 和 Linux 的共享对象，我们的[脚本](https://github.com/tensorflow/tensorflow/blob/master/tensorflow/tools/ci_build/builds/libtensorflow_nightly_symlink.sh)会根据当前日期重命名 .so 文件，这些文件已复制到包含工件的目录中。 ## 支持的平台 以下系统支持 C 版 TensorFlow： - Linux - 64 位，x86 - macOS - 版本 10.12.6 (Sierra) 或更高版本 - Windows - 64 位，x86 ## 设置 ### 下载 | TensorFlow C 库 | 网址 | | :-------------------- | :----------------------------------------------------------- | | Linux | | | Linux（仅支持 CPU） | https://storage.googleapis.com/tensorflow/libtensorflow/libtensorflow-cpu-linux-x86_64-2.6.0.tar.gz | | Linux（支持 GPU） | https://storage.googleapis.com/tensorflow/libtensorflow/libtensorflow-gpu-linux-x86_64-2.6.0.tar.gz | | macOS | | | macOS（仅支持 CPU） | https://storage.googleapis.com/tensorflow/libtensorflow/libtensorflow-cpu-darwin-x86_64-2.6.0.tar.gz | | Windows | | | Windows（仅支持 CPU） | https://storage.googleapis.com/tensorflow/libtensorflow/libtensorflow-cpu-windows-x86_64-2.6.0.zip | | Windows（仅支持 GPU） | https://storage.googleapis.com/tensorflow/libtensorflow/libtensorflow-gpu-windows-x86_64-2.6.0.zip | ### 解压缩 解压缩下载的归档文件，其中包含要添加到 C 程序中的头文件以及要与之关联的共享库。 在 Linux 和 macOS 上，您可能需要解压缩到 `/usr/local/lib`： ``` sudo tar -C /usr/local -xzf (downloaded file) ``` ### 链接器 在 Linux/macOS 上，如果将 TensorFlow C 库解压缩到系统目录（例如 `/usr/local`），请使用 `ldconfig` 配置链接器： ``` sudo ldconfig ``` 如果将 TensorFlow C 库解压缩到非系统目录（例如 `~/mydir`），请配置链接器环境变量： [Linux](https://tensorflow.google.cn/install/lang_c?hl=zh-cn#linux)[macOS](https://tensorflow.google.cn/install/lang_c?hl=zh-cn#macos) ``` export LIBRARY_PATH=$LIBRARY_PATH:~/mydir/lib export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:~/mydir/lib ``` ## 构建 ### 示例程序 安装 TensorFlow C 库后，使用以下源代码创建一个示例程序 (`hello_tf.c`)： ``` #include #include int main() { printf("Hello from TensorFlow C library version %s\n", TF_Version()); return 0; } ``` ### 编译 编译示例程序以创建可执行文件，然后运行以下命令： ``` gcc hello_tf.c -ltensorflow -o hello_tf ./hello_tf ``` 上述命令会输出：`Hello from TensorFlow C library version *number*` **成功**：TensorFlow C 库已配置完毕。 如果程序无法构建，请确保 `gcc` 可以访问 TensorFlow C 库。如果解压缩到 `/usr/local`，请将库位置明确传递给编译器： ``` gcc -I/usr/local/include -L/usr/local/lib hello_tf.c -ltensorflow -o hello_tf ``` ## 从源代码构建 TensorFlow 是开源系统。请阅读[相关说明](https://github.com/tensorflow/tensorflow/blob/master/tensorflow/tools/lib_package/README.md)，了解如何从源代码构建 TensorFlow 的 C 库。 # 安装 Java 版 TensorFlow [TensorFlow Java](https://github.com/tensorflow/java) 可以在任何 JVM 上运行，用于 构建、训练和部署机器学习模型。它同时支持 CPU 和 GPU 执行，在图形或预先模式下，并提供了丰富的 API 供使用 JVM 环境中的 TensorFlow。Java 和其他 JVM 语言，如 Scala 和 Kotlin，经常用于世界各地的大大小小的企业， 这使得 TensorFlow Java 成为采用机器学习的战略选择 规模很大。 **注意：**TensorFlow Java API 不在 TensorFlow [API 稳定性保证](https://tensorflow.google.cn/guide/versions)范围内。 ## 要求 TensorFlow Java 在 Java 8 及更高版本上运行，并支持开箱即用的 以下平台： - Ubuntu 16.04 或更高版本;64 位，x86 - macOS 10.12.6 （Sierra） 或更高版本;64 位，x86 - Windows 7 或更高版本;64 位，x86 **注意：**如需在 Android 上使用 TensorFlow，请参阅 [TensorFlow Lite](https://tensorflow.org/lite)* ## 版本 TensorFlow Java 有自己的发布周期，独立于 [TensorFlow 运行时](https://github.com/tensorflow/tensorflow)。因此 其版本与运行它的 TensorFlow 运行时版本不匹配。咨询 TensorFlow Java [版本控制表](https://github.com/tensorflow/java/#tensorflow-version-support)，用于列出所有可用版本及其与 TensorFlow 运行时的映射。 ## 工件 有[几种添加方法](https://github.com/tensorflow/java/#using-maven-artifacts) TensorFlow Java 添加到您的项目中。最简单的方法是添加对工件的依赖，其中包括 TensorFlow Java 核心 API 及其在所有受支持的 平台。`tensorflow-core-platform` 您还可以选择以下扩展之一，而不是纯 CPU 版本： - `tensorflow-core-platform-mkl`：支持所有平台上的英特尔® MKL-DNN - `tensorflow-core-platform-gpu`：支持 Linux 和 Windows 上的 CUDA® 平台 - `tensorflow-core-platform-mkl-gpu`：支持 Intel® MKL-DNN 和 CUDA® Linux 平台。 此外，对库的单独依赖可以是 添加了以受益于基于 TensorFlow 的机器的丰富实用程序集 在 JVM 上学习。`tensorflow-framework` ## 使用 Maven 安装 要将 TensorFlow 包含在您的 [Maven](http://maven.apache.org/) 应用程序中，请将 对项目文件的[项目](https://tensorflow.google.cn/jvm/install#artifacts)的依赖关系。 例如`pom.xml` ``` org.tensorflow tensorflow-core-platform 0.3.3 ``` ### 减少依赖项的数量 请务必注意，添加对工件的依赖项将导入所有受支持平台的本机库，这可以 显着增加项目的规模。`tensorflow-core-platform` 如果您希望定位到可用平台的子集，则可以排除 来自其他平台的不必要的工件，使用 [Maven 依赖项排除](https://maven.apache.org/guides/introduction/introduction-to-optional-and-excludes-dependencies.html#dependency-exclusions)功能。 选择要包含在应用程序中的平台的另一种方法是 在 Maven 命令行或 .有关更多详细信息，请参阅 JavaCPP [文档](https://github.com/bytedeco/javacpp-presets/wiki/Reducing-the-Number-of-Dependencies)。`pom.xml` ### 使用快照 来自 TensorFlow Java 源代码的最新 TensorFlow Java 开发快照 存储库可在 [OSS Sonatype](https://oss.sonatype.org/) Nexus 上使用 存储 库。要依赖于这些项目，请确保配置 OSS snapshots 存储库中的 .`pom.xml` ``` tensorflow-snapshots https://oss.sonatype.org/content/repositories/snapshots/ true org.tensorflow tensorflow-core-platform 0.4.0-SNAPSHOT ``` ## 使用 Gradle 安装 要将 TensorFlow 包含在 [Gradle](https://gradle.org/) 应用中，请将依赖于其[工件](https://tensorflow.google.cn/jvm/install#artifacts)添加到项目文件中。 例如`build.gradle` ``` repositories { mavenCentral() } dependencies { compile group: 'org.tensorflow', name: 'tensorflow-core-platform', version: '0.3.3' } ``` ### 减少依赖项的数量 使用 Gradle 从 TensorFlow Java 中排除原生工件并不像 与 Maven。我们建议您使用 Gradle JavaCPP 插件来减少这种情况 依赖项的数量。 有关更多详细信息，请阅读 Gradle JavaCPP [文档](https://github.com/bytedeco/gradle-javacpp)。 ## 从源安装 要从源代码构建 TensorFlow Java，并可能对其进行自定义，请阅读 以下[说明](https://github.com/tensorflow/java/blob/master/CONTRIBUTING.md#building)。 **注意：**只有 TensorFlow 分发的官方版本才受其支持 维护者和自定义构建的使用应由用户承担风险。 ## 示例程序 此示例展示了如何使用 TensorFlow 构建 Apache Maven 项目。第一 将 TensorFlow 依赖项添加到项目文件中：`pom.xml` ``` 4.0.0 org.myorg hellotensorflow 1.0-SNAPSHOT HelloTensorFlow 1.8 1.8 org.tensorflow tensorflow-core-platform 0.3.3 ``` 创建源文件：`src/main/java/HelloTensorFlow.java` ``` import org.tensorflow.ConcreteFunction; import org.tensorflow.Signature; import org.tensorflow.Tensor; import org.tensorflow.TensorFlow; import org.tensorflow.op.Ops; import org.tensorflow.op.core.Placeholder; import org.tensorflow.op.math.Add; import org.tensorflow.types.TInt32; public class HelloTensorFlow { public static void main(String[] args) throws Exception { System.out.println("Hello TensorFlow " + TensorFlow.version()); try (ConcreteFunction dbl = ConcreteFunction.create(HelloTensorFlow::dbl); TInt32 x = TInt32.scalarOf(10); Tensor dblX = dbl.call(x)) { System.out.println(x.getInt() + " doubled is " + ((TInt32)dblX).getInt()); } } private static Signature dbl(Ops tf) { Placeholder x = tf.placeholder(TInt32.class); Add dblX = tf.math.add(x, x); return Signature.builder().input("x", x).output("dbl", dblX).build(); } } ``` 编译并执行： ``` mvn -q compile exec:java ``` 该命令打印 TensorFlow 版本和简单的计算。 成功！ 配置了 TensorFlow Java。 # 在 Windows 环境中从源代码构建 我们将从源代码构建 TensorFlow pip 软件包并将其安装在 Windows 设备上。 **注意**：我们已针对 Windows 系统提供了经过充分测试的预构建 [TensorFlow 软件包](https://tensorflow.google.cn/install/pip.html?hl=zh-cn)。 ## Windows 设置 安装以下构建工具以配置 Windows 开发环境。 ### 安装 Python 和 TensorFlow 软件包依赖项 安装[适用于 Windows 的 Python 3.6.x 64 位版本](https://www.python.org/downloads/windows/)。选择 pip 作为可选功能，并将其添加到 `%PATH%` 环境变量中。 安装 TensorFlow pip 软件包依赖项： ``` pip3 install six numpy wheel pip3 install keras_applications==1.0.6 --no-deps pip3 install keras_preprocessing==1.0.5 --no-deps ``` 这些依赖项就列在 [`setup.py`](https://github.com/tensorflow/tensorflow/blob/master/tensorflow/tools/pip_package/setup.py) 文件的 `REQUIRED_PACKAGES` 下。 ### 安装 Bazel [安装 Bazel](https://tensorflow.google.cn/install/source?hl=zh-cn#install_bazel)，它是用于编译 TensorFlow 的构建工具。如需确认适用的 Bazel 版本，请参阅适用于 Windows 的[经过测试的构建配置](https://tensorflow.google.cn/install/source_windows?hl=zh-cn#tested_build_configurations)。配置 Bazel 来[构建 C++](https://docs.bazel.build/versions/master/windows.html?hl=zh-cn#build-c)。 将 Bazel 可执行文件的位置添加到 `%PATH%` 环境变量中。 ### 安装 MSYS2 [安装 MSYS2](https://www.msys2.org/)，以获取构建 TensorFlow 所需的 bin 工具。如果 MSYS2 已安装到 `C:\msys64` 下，请将 `C:\msys64\usr\bin` 添加到 `%PATH%` 环境变量中。然后，使用 `cmd.exe` 运行以下命令： ``` pacman -S git patch unzip ``` ### 安装 Visual C++ 生成工具 2019 安装 Visual C++ 生成工具 2019。该工具随附在 Visual Studio 2019 中，但可以单独安装： 1. 转到 [Visual Studio 下载](https://visualstudio.microsoft.com/downloads/)页面， 2. 选择“可再发行组件和生成工具”， 3. 下载并安装： - Microsoft Visual C++ 2019 可再发行组件包 - Microsoft 生成工具 2019 **注意**：TensorFlow 已针对 Visual Studio 2019 进行了测试。 ### 安装 GPU 支持项（可选） 若要安装在 GPU 上运行 TensorFlow 所需的驱动程序和其他软件，请参阅 Windows [GPU 支持](https://tensorflow.google.cn/install/gpu?hl=zh-cn)指南。 ### 下载 TensorFlow 源代码 使用 [Git](https://git-scm.com/) 克隆 [TensorFlow 代码库]([tensorflow/tensorflow at v2.6.0](https://github.com/tensorflow/tensorflow/tree/v2.6.0))（`git` 已随 MSYS2 一起安装）： ``` git clone https://github.com/tensorflow/tensorflow.git cd tensorflow ``` 该代码库默认为 `master` 开发分支。您也可以检出想要构建的[版本分支](https://github.com/tensorflow/tensorflow/releases)： ``` git checkout branch_name # r1.9, r1.10, etc. ``` **要点**：如果您在使用最新的开发分支时遇到构建问题，请尝试已知可用的版本分支。 ## 配置 build 通过在 TensorFlow 源代码树的根目录下运行以下命令来配置系统构建： ``` python ./configure.py ``` 此脚本会提示您指定 TensorFlow 依赖项的位置，并要求指定其他构建配置选项（例如，编译器标记）。以下代码展示了 `python ./configure.py` 的示例运行会话（您的会话可能会有所不同）： 查看示例配置会话 ### 配置选项 为了[支持 GPU](https://tensorflow.google.cn/install/gpu?hl=zh-cn)，请指定 CUDA 和 cuDNN 的版本。如果您的系统安装了多个版本的 CUDA 或 cuDNN，请明确设置版本，而不是依赖于默认版本。`./configure.py` 会创建指向系统 CUDA 库的符号链接，因此，如果您更新 CUDA 库路径，就必须在构建之前再次运行此配置步骤。 **注意**：从 TensorFlow 1.6 开始，二进制文件使用 AVX 指令，这些指令可能无法在旧版 CPU 上运行。 ## 构建 pip 软件包 ### TensorFlow 2.x tensorflow:master 代码库已经默认更新为 build 2.x。请[安装 Bazel](https://docs.bazel.build/versions/master/install.html?hl=zh-cn) 并使用 `bazel build` 创建 TensorFlow 软件包。 ``` bazel build //tensorflow/tools/pip_package:build_pip_package ``` ### TensorFlow 1.x 如需从 master 分支构建 TensorFlow 1.x，请使用 `bazel build --config=v1` 创建 TensorFlow 1.x 软件包。 ``` bazel build --config=v1 //tensorflow/tools/pip_package:build_pip_package ``` #### 仅支持 CPU 使用 `bazel` 构建仅支持 CPU 的 TensorFlow 软件包构建器： ``` bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package ``` #### GPU 支持 要构建支持 GPU 的 TensorFlow 软件包构建器，请运行以下命令： ``` bazel build --config=opt --config=cuda --define=no_tensorflow_py_deps=true //tensorflow/tools/pip_package:build_pip_package ``` #### Bazel 构建选项 在构建时使用以下选项，避免在创建软件包时出现问题：[tensorflow:issue#22390](https://github.com/tensorflow/tensorflow/issues/22390) ``` --define=no_tensorflow_py_deps=true ``` 请参阅 Bazel [命令行参考文档](https://docs.bazel.build/versions/master/command-line-reference.html?hl=zh-cn)，详细了解[构建选项](https://docs.bazel.build/versions/master/command-line-reference.html?hl=zh-cn#build-options)。 从源代码构建 TensorFlow 会消耗大量 RAM。如果您的系统受内存限制，请将 Bazel 的 RAM 使用量限制为：`--local_ram_resources=2048`。 如果构建支持 GPU 的 TensorFlow，请添加 `--copt=-nvcc_options=disable-warnings` 以禁止显示 nvcc 警告消息。 ### 构建软件包 `bazel build` 命令会创建一个名为 `build_pip_package` 的可执行文件，此文件是用于构建 `pip` 软件包的程序。例如，以下命令会在 `C:/tmp/tensorflow_pkg` 目录中构建 `.whl` 软件包： ``` bazel-bin\tensorflow\tools\pip_package\build_pip_package C:/tmp/tensorflow_pkg ``` 尽管可以在同一个源代码树下构建 CUDA 和非 CUDA 配置，但建议在同一个源代码树中的这两种配置之间切换时运行 `bazel clean`。 ### 安装软件包 生成的 `.whl` 文件的文件名取决于 TensorFlow 版本和您的平台。例如，使用 `pip3 install` 安装软件包： ``` pip3 install C:/tmp/tensorflow_pkg/tensorflow-version-cp36-cp36m-win_amd64.whl ``` **成功**：TensorFlow 现已安装完毕。 ## 使用 MSYS shell 构建 您也可以使用 MSYS shell 构建 TensorFlow。做出下面列出的更改，然后按照之前的 Windows 原生命令行 (`cmd.exe`) 说明进行操作。 ### 停用 MSYS 路径转换 MSYS 会自动将类似 Unix 路径的参数转换为 Windows 路径，而此转换不适用于 `bazel`。（标签 `//path/to:bin` 会被视为 Unix 绝对路径，因为它以斜杠开头。） ``` export MSYS_NO_PATHCONV=1 export MSYS2_ARG_CONV_EXCL="*" ``` ### 设置 PATH 将 Bazel 和 Python 安装目录添加到 `$PATH` 环境变量中。如果 Bazel 安装到了 `C:\tools\bazel.exe`，并且 Python 安装到了 `C:\Python36\python.exe`，请使用以下命令设置 `PATH`： ``` # Use Unix-style with ':' as separator export PATH="/c/tools:$PATH" export PATH="/c/Python36:$PATH" ``` 如需支持 GPU，请将 CUDA 和 cuDNN bin 目录添加到 `$PATH` 中： ``` export PATH="/c/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v11.0/bin:$PATH" export PATH="/c/Program Files/NVIDIA GPU Computing Toolkit/CUDA/v11.0/extras/CUPTI/libx64:$PATH" export PATH="/c/tools/cuda/bin:$PATH" ``` ## 经过测试的构建配置 ### CPU | 版本 | Python 版本 | 编译器 | 构建工具 | | :---------------- | :---------- | :----------------- | :------------------ | | tensorflow-2.6.0 | 3.6-3.9 | MSVC 2019 | Bazel 3.7.2 | | tensorflow-2.5.0 | 3.6-3.9 | MSVC 2019 | Bazel 3.7.2 | | tensorflow-2.4.0 | 3.6-3.8 | MSVC 2019 | Bazel 3.1.0 | | tensorflow-2.3.0 | 3.5-3.8 | MSVC 2019 | Bazel 3.1.0 | | tensorflow-2.2.0 | 3.5-3.8 | MSVC 2019 | Bazel 2.0.0 | | tensorflow-2.1.0 | 3.5-3.7 | MSVC 2019 | Bazel 0.27.1-0.29.1 | | tensorflow-2.0.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.26.1 | | tensorflow-1.15.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.26.1 | | tensorflow-1.14.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.24.1-0.25.2 | | tensorflow-1.13.0 | 3.5-3.7 | MSVC 2015 update 3 | Bazel 0.19.0-0.21.0 | | tensorflow-1.12.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | | tensorflow-1.11.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | | tensorflow-1.10.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.9.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.8.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.7.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.6.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.5.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.4.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.3.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.2.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.1.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | | tensorflow-1.0.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | ### GPU | 版本 | Python 版本 | 编译器 | 构建工具 | cuDNN | CUDA | | :-------------------- | :---------- | :----------------- | :------------------ | :---- | :--- | | tensorflow_gpu-2.6.0 | 3.6-3.9 | MSVC 2019 | Bazel 3.7.2 | 8.1 | 11.2 | | tensorflow_gpu-2.5.0 | 3.6-3.9 | MSVC 2019 | Bazel 3.7.2 | 8.1 | 11.2 | | tensorflow_gpu-2.4.0 | 3.6-3.8 | MSVC 2019 | Bazel 3.1.0 | 8.0 | 11.0 | | tensorflow_gpu-2.3.0 | 3.5-3.8 | MSVC 2019 | Bazel 3.1.0 | 7.6 | 10.1 | | tensorflow_gpu-2.2.0 | 3.5-3.8 | MSVC 2019 | Bazel 2.0.0 | 7.6 | 10.1 | | tensorflow_gpu-2.1.0 | 3.5-3.7 | MSVC 2019 | Bazel 0.27.1-0.29.1 | 7.6 | 10.1 | | tensorflow_gpu-2.0.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.26.1 | 7.4 | 10 | | tensorflow_gpu-1.15.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.26.1 | 7.4 | 10 | | tensorflow_gpu-1.14.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.24.1-0.25.2 | 7.4 | 10 | | tensorflow_gpu-1.13.0 | 3.5-3.7 | MSVC 2015 update 3 | Bazel 0.19.0-0.21.0 | 7.4 | 10 | | tensorflow_gpu-1.12.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7.2 | 9.0 | | tensorflow_gpu-1.11.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 | | tensorflow_gpu-1.10.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 | | tensorflow_gpu-1.9.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 | | tensorflow_gpu-1.8.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 | | tensorflow_gpu-1.7.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 | | tensorflow_gpu-1.6.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 | | tensorflow_gpu-1.5.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 | | tensorflow_gpu-1.4.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 | | tensorflow_gpu-1.3.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 | | tensorflow_gpu-1.2.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 | | tensorflow_gpu-1.1.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 | | tensorflow_gpu-1.0.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 | ## 编译为 C++ ### release编译 ``` # 生成 dll 库 bazel build --config=opt --define=no_tensorflow_py_deps=true --copt=-DTHRUST_IGNORE_CUB_VERSION_CHECK --copt=-nvcc_options=disable-warnings --local_ram_resources=10240 --local_cpu_resources=3 //tensorflow:tensorflow_cc.dll # 生成lib文件 bazel build --config=opt --define=no_tensorflow_py_deps=true --copt=-DTHRUST_IGNORE_CUB_VERSION_CHECK --copt=-nvcc_options=disable-warnings --local_ram_resources=10240 --local_cpu_resources=3 //tensorflow:tensorflow_cc.lib # 生成头文件 bazel build --config=opt --define=no_tensorflow_py_deps=true --copt=-DTHRUST_IGNORE_CUB_VERSION_CHECK --copt=-nvcc_options=disable-warnings --local_ram_resources=10240 --local_cpu_resources=3 //tensorflow:install_headers ``` ### debug编译 ``` # 生成 dll 库 bazel build -c dbg --config=opt --define=no_tensorflow_py_deps=true --copt=-DTHRUST_IGNORE_CUB_VERSION_CHECK --copt=-nvcc_options=disable-warnings --local_ram_resources=10240 --local_cpu_resources=3 //tensorflow:tensorflow_cc.dll # 生成lib文件 bazel build -c dbg --config=opt --define=no_tensorflow_py_deps=true --copt=-DTHRUST_IGNORE_CUB_VERSION_CHECK --copt=-nvcc_options=disable-warnings --local_ram_resources=10240 --local_cpu_resources=3 //tensorflow:tensorflow_cc.lib # 生成头文件 bazel build -c dbg --config=opt --define=no_tensorflow_py_deps=true --copt=-DTHRUST_IGNORE_CUB_VERSION_CHECK --copt=-nvcc_options=disable-warnings --local_ram_resources=10240 --local_cpu_resources=3 //tensorflow:install_headers ``` ## 参考教程： [win10下使用bazel从源码编译TensorFlow1.15.3的C++动态库(CPU版本支持AVX2指令集）_bazel官网下载 win10-CSDN博客](https://blog.csdn.net/qq_37781464/article/details/110162108?utm_medium=distribute.pc_relevant.none-task-blog-2~default~baidujs_baidulandingword~default-0-110162108-blog-86440425.235^v43^pc_blog_bottom_relevance_base1&spm=1001.2101.3001.4242.1&utm_relevant_index=3) [windows下编译tensorflow2.5.0 c++库并调用_tensorflow c++ windows编译-CSDN博客](https://blog.csdn.net/dycljj/article/details/118408400)