Tensorflow source build on MAC EI Capitain

本文详细记录了作者在Mac上从源代码编译TensorFlow的过程,包括安装依赖工具、设置Python环境、下载源代码及解决编译过程中遇到的问题。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1 前言

自2015年,google公开Tensorflow以来,一直想认真的学习一下。由于网络封锁,ubuntu版本太低,一直没有成功的编译过Tensorflow。

对于一个拥有极强好奇心的我而言,总是一种时时会浮上心头的黑云,让我感到不快和隐痛。


转机出现于2016年4月,公司给每一个软件工程师换了Mac。 Tensorflow的编译环境是Ubuntu和Mac OS,外部环境具备。


2 准备编译

  • brew install bazel swig
  • pip3 install six
  • pip3 install numpy
  • pip3 install wheel
  • pip3 install --upgrade protobuf

Mac上的python版本为2.7,我自己装了3.5

下载源代码:

git clone --recurse-submodules https://github.com/tensorflow/tensorflow  需要链接外网。


3 编译

$ ./configure
Please specify the location of python. [Default is /usr/bin/python]:

我设置了python3的路径

1. bazel build -c opt //tensorflow/tools/pip_package:build_pip_package

这儿会出错,报告找不到 /usr/local/opt/pcre/lib/*

采用以下方法建立软连接。

sudo mkdir -v /usr/local/opt/pcre
sudo ln -s /usr/local/Cellar/pcre/8.38/lib /usr/local/opt/pcre


重新build,执行命令1.


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


如果命令出错,

cp -r bazel-bin/tensorflow/tools/pip_package/build_pip_package.runfiles/__main__/* bazel-bin/tensorflow/tools/pip_package/build_pip_package.runfiles/


重新执行命令2


# The name of the .whl file will depend on your platform.
3  pip install /tmp/tensorflow_pkg/tensorflow-0.8.0-py2-none-linux_x86_64.whl


整个过程结束。


我用了2天的时间,完成的编译过程。


希望大家少走弯路。

内容概要:该论文聚焦于T2WI核磁共振图像超分辨率问题,提出了一种利用T1WI模态作为辅助信息的跨模态解决方案。其主要贡献包括:提出基于高频信息约束的网络框架,通过主干特征提取分支和高频结构先验建模分支结合Transformer模块和注意力机制有效重建高频细节;设计渐进式特征匹配融合框架,采用多阶段相似特征匹配算法提高匹配鲁棒性;引入模型量化技术降低推理资源需求。实验结果表明,该方法不仅提高了超分辨率性能,还保持了图像质量。 适合人群:从事医学图像处理、计算机视觉领域的研究人员和工程师,尤其是对核磁共振图像超分辨率感兴趣的学者和技术开发者。 使用场景及目标:①适用于需要提升T2WI核磁共振图像分辨率的应用场景;②目标是通过跨模态信息融合提高图像质量,解决传统单模态方法难以克服的高频细节丢失问题;③为临床诊断提供更高质量的影像资料,帮助医生更准确地识别病灶。 其他说明:论文不仅提供了详细的网络架构设计与实现代码,还深入探讨了跨模态噪声的本质、高频信息约束的实现方式以及渐进式特征匹配的具体过程。此外,作者还对模型进行了量化处理,使得该方法可以在资源受限环境下高效运行。阅读时应重点关注论文中提到的技术创新点及其背后的原理,理解如何通过跨模态信息融合提升图像重建效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值