Сборка из исходного кода

Создайте pip -пакет TensorFlow из исходного кода и установите его в Ubuntu Linux и macOS. Хотя инструкции могут работать для других систем, они протестированы и поддерживаются только для Ubuntu и macOS.

Настройка для Linux и macOS

Установите следующие инструменты сборки, чтобы настроить среду разработки.

Установите Python и зависимости пакета TensorFlow.

sudo apt install python3-dev python3-pip

brew install python

Установите зависимости пакета pip TensorFlow (при использовании виртуальной среды опустите аргумент --user ):

pip install -U --user pip

Установить Базель

Для сборки TensorFlow вам потребуется установить Bazel. Bazelisk — это простой способ установки Bazel, который автоматически загружает правильную версию Bazel для TensorFlow. Для простоты использования добавьте Bazelisk в качестве исполняемого файла bazel в ваш PATH .

Если Bazelisk недоступен, вы можете установить Bazel вручную. Обязательно установите правильную версию Bazel из файла .bazelversion TensorFlow.

Установите Clang (рекомендуется, только для Linux)

Clang — это компилятор C/C++/Objective-C, скомпилированный в C++ на основе LLVM. Это компилятор по умолчанию для сборки TensorFlow, начиная с TensorFlow 2.13. Текущая поддерживаемая версия — LLVM/Clang 17.

Ночные пакеты LLVM Debian/Ubuntu предоставляют сценарий автоматической установки и пакеты для ручной установки в Linux. Обязательно выполните следующую команду, если вы вручную добавляете репозиторий llvm apt в источники пакетов:

sudo apt-get update && sudo apt-get install -y llvm-17 clang-17

Теперь, в данном случае фактическим путем к clang является /usr/lib/llvm-17/bin/clang .

Альтернативно вы можете скачать и распаковать готовый Clang+LLVM 17 .

Ниже приведен пример шагов, которые вы можете предпринять для настройки загруженных двоичных файлов Clang + LLVM 17 в операционных системах Debian/Ubuntu:

1. Перейдите в желаемый каталог назначения: cd <desired directory>

2. Загрузите и извлеките архивный файл... (подходящий для вашей архитектуры):

   wget https://github.com/llvm/llvm-project/releases/download/llvmorg-17.0.2/clang+llvm-17.0.2-x86_64-linux-gnu-ubuntu-22.04.tar.xz
   
   tar -xvf clang+llvm-17.0.2-x86_64-linux-gnu-ubuntu-22.04.tar.xz
   

3. Скопируйте извлеченное содержимое (каталоги и файлы) в /usr (вам могут потребоваться разрешения sudo, а правильный каталог может отличаться в зависимости от дистрибутива). Это эффективно установит Clang и LLVM и добавит их в путь. Вам не придется ничего заменять, если только у вас не установлена ​​предыдущая установка; в этом случае вам следует заменить файлы:

   cp -r clang+llvm-17.0.2-x86_64-linux-gnu-ubuntu-22.04/* /usr

4. Проверьте полученную версию двоичных файлов Clang + LLVM 17:

   clang --version

5. Теперь, когда /usr/bin/clang — это фактический путь к вашему новому clang. Вы можете запустить сценарий ./configure или вручную установить переменные среды CC и BAZEL_COMPILER по этому пути.

Установите поддержку графического процессора (необязательно, только для Linux)

Для macOS нет поддержки графического процессора.

Прочтите руководство по поддержке графического процессора , чтобы установить драйверы и дополнительное программное обеспечение, необходимое для запуска TensorFlow на графическом процессоре.

Загрузите исходный код TensorFlow.

Используйте Git для клонирования репозитория TensorFlow :

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

По умолчанию репозиторий является master веткой разработки. Вы также можете проверить ветку выпуска для сборки:

git checkout branch_name  # r2.2, r2.3, etc.

Настройка сборки

Сборки TensorFlow настраиваются с помощью файла .bazelrc в корневом каталоге репозитория. Сценарии ./configure или ./configure.py можно использовать для настройки общих настроек.

Пожалуйста, запустите сценарий ./configure из корневого каталога репозитория. Этот скрипт предложит вам указать расположение зависимостей TensorFlow и запросит дополнительные параметры конфигурации сборки (например, флаги компилятора). Подробности см. в разделе «Пример сеанса» .

./configure

Существует также версия этого скрипта на Python: ./configure.py . При использовании виртуальной среды python configure.py отдает приоритет путям внутри среды, тогда как ./configure отдает приоритет путям за пределами среды. В обоих случаях вы можете изменить значение по умолчанию.

Пример сеанса

Ниже показан пример выполнения сценария ./configure (ваш сеанс может отличаться):

./configure
You have bazel 6.1.0 installed.
Please specify the location of python. [Default is /Library/Frameworks/Python.framework/Versions/3.9/bin/python3]: 


Found possible Python library paths:
  /Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages
Please input the desired Python library path to use.  Default is [/Library/Frameworks/Python.framework/Versions/3.9/lib/python3.9/site-packages]

Do you wish to build TensorFlow with ROCm support? [y/N]:
No ROCm support will be enabled for TensorFlow.

Do you wish to build TensorFlow with CUDA support? [y/N]:
No CUDA support will be enabled for TensorFlow.

Do you want to use Clang to build TensorFlow? [Y/n]:
Clang will be used to compile TensorFlow.

Please specify the path to clang executable. [Default is /usr/lib/llvm-16/bin/clang]:

You have Clang 16.0.4 installed.

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


Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: n
Not configuring the WORKSPACE for Android builds.

Do you wish to build TensorFlow with iOS support? [y/N]: n
No iOS support will be enabled for TensorFlow.

Preconfigured Bazel build configs. You can use any of the below by adding "--config=<>" to your build command. See .bazelrc for more details.
    --config=mkl            # Build with MKL support.
    --config=mkl_aarch64    # Build with oneDNN and Compute Library for the Arm Architecture (ACL).
    --config=monolithic     # Config for mostly static monolithic build.
    --config=numa           # Build with NUMA support.
    --config=dynamic_kernels    # (Experimental) Build kernels into separate shared objects.
    --config=v1             # Build with TensorFlow 1 API instead of TF 2 API.
Preconfigured Bazel build configs to DISABLE default on features:
    --config=nogcp          # Disable GCP support.
    --config=nonccl         # Disable NVIDIA NCCL support.

Варианты конфигурации

Поддержка графического процессора

из версии 2.18.0

Для поддержки графического процессора установите cuda=Y во время настройки и при необходимости укажите версии CUDA и cuDNN. Bazel автоматически загрузит пакеты CUDA и CUDNN или при необходимости укажет на перераспределения CUDA/CUDNN/NCCL в локальной файловой системе.

до версии 2.18.0

Для поддержки графического процессора установите cuda=Y во время настройки и укажите версии CUDA и cuDNN. Если в вашей системе установлено несколько версий CUDA или cuDNN, укажите версию явно, а не полагайтесь на версию по умолчанию. ./configure создает символические ссылки на библиотеки CUDA вашей системы, поэтому, если вы обновляете пути к библиотекам CUDA, этот шаг настройки необходимо выполнить еще раз перед сборкой.

Оптимизации

Для флагов оптимизации компиляции значение по умолчанию ( -march=native ) оптимизирует сгенерированный код для типа процессора вашего компьютера. Однако при создании TensorFlow для другого типа процессора рассмотрите более конкретный флаг оптимизации. Примеры см. в руководстве GCC .

Предварительно настроенные конфигурации

Доступны некоторые предварительно настроенные конфигурации сборки, которые можно добавить в команду bazel build , например:

• --config=dbg — Сборка с отладочной информацией. Подробности смотрите на CONTRIBUTING.md .
• --config=mkl — Поддержка Intel® MKL-DNN .
• --config=monolithic — Конфигурация для преимущественно статической монолитной сборки.

Сборка и установка пакета pip

Варианты сборки Базеля

Параметры сборки см. в справочнике по командной строке Bazel.

Сборка TensorFlow из исходного кода может использовать много оперативной памяти. Если ваша система ограничена в объеме памяти, ограничьте использование оперативной памяти Bazel с помощью: --local_ram_resources=2048 .

Официальные пакеты TensorFlow созданы с использованием набора инструментов Clang, соответствующего стандарту пакетов Manylinux2014.

Сборка пакета

Чтобы собрать пакет pip, вам необходимо указать флаг --repo_env=WHEEL_NAME . в зависимости от указанного имени будет создан пакет, например:

Чтобы собрать пакет ЦП с тензорным потоком:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=USE_PYWRAP_RULES=1 --repo_env=WHEEL_NAME=tensorflow_cpu

Чтобы собрать пакет графического процессора с тензорным потоком:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=USE_PYWRAP_RULES=1 --repo_env=WHEEL_NAME=tensorflow --config=cuda --config=cuda_wheel

Чтобы собрать пакет TPU с тензорным потоком:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=USE_PYWRAP_RULES=1 --repo_env=WHEEL_NAME=tensorflow_tpu --config=tpu

Чтобы собрать ночной пакет, установите tf_nightly вместо tensorflow , например, для сборки ночного пакета CPU:

bazel build //tensorflow/tools/pip_package:wheel --repo_env=USE_PYWRAP_RULES=1 --repo_env=WHEEL_NAME=tf_nightly_cpu

В результате сгенерированное колесо будет находиться в

bazel-bin/tensorflow/tools/pip_package/wheel_house/

Установить пакет

Имя сгенерированного файла .whl зависит от версии TensorFlow и вашей платформы. Используйте pip install для установки пакета, например:

pip install bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl

Сборки Docker Linux

Образы разработки Docker от TensorFlow — это простой способ настроить среду для сборки пакетов Linux из исходного кода. Эти изображения уже содержат исходный код и зависимости, необходимые для сборки TensorFlow. Перейдите в руководство TensorFlow Docker для получения инструкций по установке и списка доступных тегов изображений .

только для процессора

В следующем примере образ :devel используется для сборки пакета только для ЦП из последней исходной версии TensorFlow. Проверьте руководство Docker на наличие доступных тегов TensorFlow -devel .

Загрузите последний образ разработки и запустите контейнер Docker, который вы будете использовать для сборки пакета pip :

docker pull tensorflow/tensorflow:devel
docker run -it -w /tensorflow_src -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
    tensorflow/tensorflow:devel bash

git pull  # within the container, download the latest source code

Приведенная выше команда docker run запускает оболочку в каталоге /tensorflow_src — корне дерева исходного кода. Он монтирует текущий каталог хоста в каталог /mnt контейнера и передает информацию о пользователе хоста в контейнер через переменную среды (используется для установки разрешений — Docker может усложнить эту задачу).

В качестве альтернативы, чтобы создать хост-копию TensorFlow внутри контейнера, смонтируйте исходное дерево хоста в каталоге /tensorflow контейнера:

docker run -it -w /tensorflow -v /path/to/tensorflow:/tensorflow -v $PWD:/mnt \
    -e HOST_PERMS="\\((id -u):\\)(id -g)" tensorflow/tensorflow:devel bash

Настроив дерево исходного кода, создайте пакет TensorFlow в виртуальной среде контейнера:

1. Необязательно: Настройте сборку — пользователю будет предложено ответить на вопросы по настройке сборки.
2. Создайте пакет pip .
3. Настройте права владения файлом за пределами контейнера.

./configure  # if necessary


bazel build //tensorflow/tools/pip_package:wheel \
--repo_env=USE_PYWRAP_RULES=1 --repo_env=WHEEL_NAME=tensorflow_cpu --config=opt

`
chown $HOST_PERMS bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl

Установите и проверьте пакет внутри контейнера:

pip uninstall tensorflow  # remove current version

pip install bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl
cd /tmp  # don't import from source directory
python -c "import tensorflow as tf; print(tf.__version__)"

На вашем хост-компьютере пакет pip TensorFlow находится в текущем каталоге (с разрешениями пользователя хоста): ./tensorflow- version - tags .whl

Поддержка графического процессора

Docker — это самый простой способ обеспечить поддержку графического процессора для TensorFlow, поскольку для хост -компьютера требуется только драйвер NVIDIA® ( инструментарий NVIDIA® CUDA® устанавливать не требуется). Обратитесь к руководству по поддержке графического процессора и руководству TensorFlow Docker для настройки nvidia-docker (только для Linux).

В следующем примере загружается образ TensorFlow :devel-gpu и используется nvidia-docker для запуска контейнера с поддержкой графического процессора. Этот образ разработки настроен для сборки пакета pip с поддержкой графического процессора:

docker pull tensorflow/tensorflow:devel-gpu
docker run --gpus all -it -w /tensorflow -v $PWD:/mnt -e HOST_PERMS="$(id -u):$(id -g)" \
    tensorflow/tensorflow:devel-gpu bash
git pull  # within the container, download the latest source code

Затем в виртуальной среде контейнера создайте пакет TensorFlow с поддержкой графического процессора:

./configure  # if necessary


bazel build //tensorflow/tools/pip_package:wheel \
--repo_env=USE_PYWRAP_RULES=1 --repo_env=WHEEL_NAME=tensorflow --config=cuda \
--config=cuda_wheel --config=opt


chown $HOST_PERMS bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl

Установите и проверьте пакет внутри контейнера и проверьте наличие графического процессора:

pip uninstall tensorflow  # remove current version

pip install bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl
cd /tmp  # don't import from source directory
python -c "import tensorflow as tf; print(\"Num GPUs Available: \", len(tf.config.list_physical_devices('GPU')))"

Протестированные конфигурации сборки

Линукс

Процессор

графический процессор

macOS

Процессор

графический процессор