tensorflow lite 安装编译过程

最新推荐文章于 2025-06-02 09:05:46 发布
原创 最新推荐文章于 2025-06-02 09:05:46 发布 · 3k 阅读 · 13 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#tensorflow

目录

1. 下载tensorflow源码

2. 安装依赖库

2.1 安装工具链

2.2 下载依赖文件

3. 编译文件

适用平台：linux, 嵌入式tx2, 安卓，IOS

本文以linux为例，根据自己的平台修改

1. 下载tensorflow源码

在github上下载源码

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

2. 安装依赖库

2.1 安装工具链

sudo apt-get install build-essential

2.2 下载依赖文件

./tensorflow/lite/tools/make/download_dependencies.sh

 note: 运行这行代码时，你的终端位置应该是tensorflow-master/下；

文件中的一些连接是外国源，不翻墙是没有办法下载的，我下载好的文件连接：//download.youkuaiyun.com

最低0.47元/天 解锁文章

200万优质内容无限畅学
Tensorflow Lite移动平台编译
轻口味的专栏
06-28 1694
本文主要介绍了Tensorflow在Android和iOS平台的构建，编译的目标文件已经是各自平台可直接使用的了。针对底层库，比如Android，我们可能只需要直接使用动态库，则直接编译出Android对应的动态库即可。如何只编译动态库，以及编译出来的库如何使用，我们后面有时间逐步介绍。,纯Android NDK实现的GPU加速TensorFlow Lite应用程序。
ubuntu20.04 bazel编译tensorflow lite 2.18.0用于cmake工程
2303_78976427的博客
02-12 826
本文记录在Ubuntu上部署TensorFlow Lite的踩坑经历，用于一维CNN项目。从模型训练到C++推理，涵盖Bazel构建、CUDA/cuDNN配置及依赖问题解决。关键点包括：调整Python版本、升级编译器、禁用不支持的CPU指令集。最终成功生成`libtensorflowlite.so`并集成到CMake工程，为类似场景提供参考。
tensorflow lite源码编译与android部署
一行一生
11-03 4193
tensorflow lite源码编译和android端部署详解一 本篇文章主要讲通过编译tensorflow源码生成libtensorflowlite.jar 和 libtensorflowlite_jni.so库 关于android部署关注和代码将在下篇博客介绍 1.下载tensorflow源码 https://github.com/tensorflow/tensorflow 点击clone下载源码zip文件，并解压到自己目录中 2. 下载baze...
TensorFlow-Course项目：从源码编译安装TensorFlow的完整指南
最新发布
gitblog_00223的博客
06-02 390
TensorFlow-Course项目：从源码编译安装TensorFlow的完整指南 前言 对于深度学习开发者和研究人员来说，TensorFlow是最受欢迎的框架之一。虽然官方提供了预编译的二进制包，但从源码编译安装TensorFlow能够带来更好的系统兼容性和性能优化。本文将详细介绍在Ubuntu系统上从源码编译安装TensorFlow（支持GPU）的全过程，并特别关注Python虚拟环境的使用...
编译和执行 TensorFlow Lite 单元测试
程永强
11-18 1442
编译和执行 TensorFlow Lite 单元测试
Tensorflow Lite 编译
omnispace的博客
04-02 4064
Google最近发布了Tensorflow Lite，并且提供了demo，虽然该demo可以使用bazel build –cxxopt=’–std=c++11’ //tensorflow/contrib/lite/java/demo/app/src/main:TfLiteCameraDemo命令成功编译出来，但是文档中并没有提及如何纯粹的编译出动态库，参考之前的一篇文章《当 Android 开发者...
手把手教你实现Tensorflow Lite动态库编译（适用于Windows端模型部署）
lxiao428的博客
10-19 4451
TensorFlow Lite 是一种用于设备端推断的开源深度学习框架。 按照官方的说法，TensorFlow Lite 是一组工具，可帮助开发者在移动设备、嵌入式设备和 loT 设备上运行模型，以便实现设备端机器学习。 所以在设计之初，Tensorflow Lite没有打算在Windows端进行部署的，但是最近它提供了CMakeLists.txt编译脚本，因而可以将其编译为动态库以在Windows端调用。 Tensorflow Lite主要特性 （1）通过解决以下 5 项约束条件，针对设备端机器学习进行了
Tensorflow lite android源码 中编译集成
Ritter Liu的专栏
07-24 5109
之前一直是在使用的是tensorflow mobile，来作为模型的运行环境。但是，tensoflow mobile的libtensorflow_inference.so有19MB，load到内存里以后，会占用较多的内存。。。测试看下来，大概占用20M，加上模型占用内存，导致我们的模块，内存占用变大了30MB。内存占用偏高，因此想优化一下。   首先想到的手段是模型裁剪。 但是，只有裁剪模型...
树莓派zero交叉编译tensorflow-lite所需依赖,工具链及编译好的库文件
03-21
树莓派zero交叉编译tensorflow-lite所需依赖,工具链及编译好的库文件(tensorflow2.4.1) 使用说明参考博客: https://blog.youkuaiyun.com/weixin_41973774/article/details/114807080
TensorFlow Lite（七）在Android上构建 TensorFlow Lite
01-06
https://github.com/tensorflow/tensorflow/tree/r2.1/tensorflow/lite/examples/android/app 我们看到这个下面的例子程序已经移到专门的examples仓库里，并且用Android studio打开运行即可。 TF Lite Android ...
一些简单的TensorFlowLite_demo
01-18
一些简单的TensorFlow_demo，主要是TensorFlow_lite的demo，android_studio导入运行即可，感谢google提供的下载资源。
TensorflowLite-bin：针对TensorflowLite独立安装程序的预构建二进制文件。 对于RaspberryPi。 一个非常轻巧的安装程序。 我提供了FlexDelegate，MediaPipe自定义OP和XNNPACK启用的二进制文件
02-05
TensorflowLite-bin TensorflowLite独立安装程序的预构建二进制文件。 对于RaspberryPi。 我提供了FlexDelegate ， MediaPipe Custom OP和XNNPACK启用的二进制文件。 这是Tensorflow的官方。 如果要使用RaspberryPi4 / 3获得最佳性能，请安装Ubuntu 18.04+ aarch64（64位）而不是Raspbian armv7l（32位）。 官方Tensorflow Lite已针对aarch64进行了性能调整。 在aarch64操作系统上，性能大约是在armv7l操作系统上的4倍。 Ten
TensorFlow Lite在Android实现图像分类的例子+tensorflow-lite-0.1.7.aar
02-01
Android的tensorflow演示，在android studio 3.2下编译通过。增加 tensorflow-lite-0.1.7.aar库以及模型文件mobilenet_quant_v1_224.tflite
tensorflow-lite依赖包
04-17
文件包含tensorflow-lite所需要的依赖包，将文件下载后解压，将downloads文件夹放在../lite/tools/make/目录下，就可以拉
tensorflow-lite-2.8.0-1.5.7-API文档-中文版.zip
07-05
赠送jar包：tensorflow-lite-2.8.0-1.5.7.jar； 赠送原API文档：tensorflow-lite-2.8.0-1.5.7-javadoc.jar； 赠送源代码：tensorflow-lite-2.8.0-1.5.7-sources.jar； 赠送Maven依赖信息文件：tensorflow-lite-2.8.0-1.5.7.pom； 包含翻译后的API文档：tensorflow-lite-2.8.0-1.5.7-javadoc-API文档-中文(简体)版.zip； Maven坐标：org.bytedeco:tensorflow-lite:2.8.0-1.5.7； 标签：bytedeco、tensorflow、lite、中文文档、jar包、java； 使用方法：解压翻译后的API文档，用浏览器打开“index.html”文件，即可纵览文档内容。 人性化翻译，文档中的代码和结构保持不变，注释和说明精准翻译，请放心使用。
TensorFlow Lite 开发手册（4）——安装TensorFlow Lite
Friedrich Yuan的博客
10-22 5437
TensorFLow Lite 开发手册（4）——安装TensorFlow Lite（一）平台支持（二）下载源代码（三）安装依赖库（1）安装工具链（2）安装依赖库（四）编译TensorFlow Lite （一）平台支持 操作系统 iOS、Android、Linux 开发平台 ARM64（支持RK3399）、Raspberry Pi、iOS （二）下载源代码 到GitHub仓库下...
11集在Docker上编译tensorFlow Lite MCU例子工程-《MCU嵌入式AI开发笔记》
跨界交流
06-28 1242
11集在Docker上编译tensorFlow Lite MCU例子工程-《MCU嵌入式AI开发笔记》
树莓派raspberry4B安装 TensorFlow Lite
xiangfengl的专栏
09-03 1599
一、环境： 1、树莓派Pi4B & Buster系统 2、python3.7 二、安装TensorFlow Lite 1、下载tensorflow lite git clone https://github.com/whgreate/pi4b_tensorflow_lite cd pi4b_tensorflow_lite 2、安装tensorflow lite pip install tflite_runtime-1.14.0-cp37-cp37m-linux_arm...
tensorflow lite交叉编译
04-28
### TensorFlow Lite 交叉编译指南 TensorFlow Lite 是一种轻量级的机器学习框架，专为移动设备和嵌入式系统设计。为了在 ARM 平台（如树莓派或其他基于 ARM 的硬件）上部署模型，通常需要进行交叉编译。以下是针对 TensorFlow Lite 交叉编译的相关说明： #### 1. 准备工作 确保开发环境中已安装必要的工具链和依赖项。这包括但不限于 CMake、Bazel 和目标平台的交叉编译器。对于 ARM 架构的目标设备，推荐使用 `aarch64-linux-gnu` 工具链。 - 安装基础依赖： ```bash sudo apt-get update && sudo apt-get install -y \ build-essential \ cmake \ git \ wget \ unzip \ python3-dev \ python3-pip ``` - 下载并配置交叉编译工具链[^4]： ```bash wget https://developer.arm.com/-/media/Files/downloads/gnu-a/9.2-2019.12/binrel/gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu.tar.xz tar xf gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu.tar.xz -C /opt/ export PATH=/opt/gcc-arm-9.2-2019.12-x86_64-aarch64-none-linux-gnu/bin:$PATH ``` #### 2. 获取 TensorFlow 源码 克隆 TensorFlow Git 仓库，并切换至支持 TensorFlow Lite 的版本（例如 v2.3.1）。此操作可以通过以下命令完成： ```bash git clone https://github.com/tensorflow/tensorflow.git cd tensorflow git checkout tags/v2.3.1 ``` #### 3. 配置交叉编译环境 创建一个自定义工具链文件用于描述交叉编译器路径和其他必要参数。例如，可以命名为 `toolchain.cmake`： ```cmake set(CMAKE_SYSTEM_NAME Linux) set(CMAKE_SYSTEM_PROCESSOR aarch64) set(CMAKE_C_COMPILER aarch64-linux-gnu-gcc) set(CMAKE_CXX_COMPILER aarch64-linux-gnu-g++) set(CMAKE_FIND_ROOT_PATH_MODE_PROGRAM NEVER) set(CMAKE_FIND_ROOT_PATH_MODE_LIBRARY ONLY) set(CMAKE_FIND_ROOT_PATH_MODE_INCLUDE ONLY) set(CMAKE_FIND_ROOT_PATH_MODE_PACKAGE ONLY) ``` 随后，在构建过程中传递该工具链文件给 CMake。 #### 4. 使用 Bazel 或 CMake 进行交叉编译 ##### 方法一：通过 Bazel 跨平台编译 如果选择使用 Bazel 来执行交叉编译，则需调整 `.bazelrc` 文件中的配置以适配目标架构。具体步骤如下： ```bash echo "build --crosstool_top=@local_config_arm_compiler//:toolchain" >> ~/.tf_configure_bazelrc echo "build --cpu=armeabi-v7a" >> ~/.tf_configure_bazelrc ``` 接着运行标准的 Bazel 命令来生成动态链接库或静态库[^3]: ```bash bazel build --config=opt //tensorflow/lite:libtensorflowlite.so ``` ##### 方法二：借助 CMake 实现更灵活控制 另一种方式是利用 CMake 执行手动配置与构建流程。这种方法允许开发者更加精细地定制化选项。示例脚本如下所示： ```bash mkdir -p tflite_build && cd tflite_build cmake .. \ -DCMAKE_TOOLCHAIN_FILE=../toolchain.cmake \ -DTFLITE_ENABLE_RUY=ON \ -DTFLITE_WITH_XNNPACK=OFF \ -DANDROID_ABI="arm64-v8a" make -j$(nproc) ``` 以上两种方法均可实现 TensorFlow Lite 对于 ARM 设备的支持，但实际应用中可能还需要额外考虑特定硬件加速单元（比如 GPU 或 NPU）所需的驱动程序及其集成问题[^1]。 --- ### 总结 综上所述，无论是采用 Bazel 自动化的解决方案还是依靠 CMake 提供的高度可配置能力，都可以顺利完成 TensorFlow Lite 向 ARM 架构迁移的任务。然而需要注意的是整个过程涉及较多细节处理，尤其是当引入第三方扩展组件时更是如此。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

然雪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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