Construir a partir da fonte

Crie um pacote pip do TensorFlow a partir do código-fonte e instale-o no Ubuntu Linux e macOS. Embora as instruções possam funcionar para outros sistemas, elas são testadas e suportadas apenas para Ubuntu e macOS.

Configuração para Linux e macOS

Instale as seguintes ferramentas de construção para configurar seu ambiente de desenvolvimento.

Instale o Python e as dependências do pacote TensorFlow

sudo apt install python3-dev python3-pip

brew install python

Instale as dependências do pacote pip do TensorFlow (se estiver usando um ambiente virtual, omita o argumento --user ):

pip install -U --user pip numpy wheel packaging requests opt_einsum
pip install -U --user keras_preprocessing --no-deps

Instalar o Bazel

Para construir o TensorFlow, você precisará instalar o Bazel. O Bazelisk é uma maneira fácil de instalar o Bazel e baixar automaticamente a versão correta do Bazel para o TensorFlow. Para facilitar o uso, adicione o Bazelisk como executável do bazel em seu PATH .

Se o Bazelisk não estiver disponível, você pode instalar o Bazel manualmente. Certifique-se de instalar a versão Bazel correta do arquivo .bazelversion do TensorFlow.

Instale o Clang (recomendado, somente Linux)

Clang é um compilador C/C++/Objective-C que é compilado em C++ baseado em LLVM. É o compilador padrão para criar o TensorFlow a partir do TensorFlow 2.13. A versão atual suportada é LLVM/Clang 16.

Os pacotes noturnos LLVM Debian/Ubuntu fornecem um script de instalação automática e pacotes para instalação manual no Linux. Certifique-se de executar o seguinte comando se adicionar manualmente o repositório llvm apt às fontes do pacote:

sudo apt-get update && sudo apt-get install -y llvm-16 clang-16

Alternativamente, você pode baixar e descompactar os binários Clang+LLVM-16 pré-construídos.

Instalar suporte a GPU (opcional, somente Linux)

Não há suporte de GPU para macOS.

Leia o guia de suporte da GPU para instalar os drivers e o software adicional necessário para executar o TensorFlow em uma GPU.

Baixe o código-fonte do TensorFlow

Use o Git para clonar o repositório do TensorFlow :

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

O repositório é padronizado para a ramificação de desenvolvimento master . Você também pode verificar uma ramificação de lançamento para construir:

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

Opcional: configurar a compilação

As compilações do TensorFlow são configuradas pelo arquivo .bazelrc no diretório raiz do repositório. Os scripts ./configure ou ./configure.py podem ser usados ​​para ajustar configurações comuns.

Se precisar alterar a configuração, execute o script ./configure no diretório raiz do repositório. Este script solicitará a localização das dependências do TensorFlow e solicitará opções adicionais de configuração de compilação (sinalizadores do compilador, por exemplo). Consulte a seção Sessão de amostra para obter detalhes.

./configure

Há também uma versão python deste script, ./configure.py . Se estiver usando um ambiente virtual, python configure.py prioriza caminhos dentro do ambiente, enquanto ./configure prioriza caminhos fora do ambiente. Em ambos os casos, você pode alterar o padrão.

Sessão de amostra

Veja a seguir uma amostra de execução do script ./configure (sua sessão pode ser diferente):

./configure
You have bazel 5.0.0 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]: n
No ROCm support will be enabled for TensorFlow.

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

Do you wish to download a fresh release of clang? (Experimental) [y/N]: n
Clang will not be downloaded.

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


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.

Opções de configuração

suporte GPU

Para suporte a GPU , defina cuda=Y durante a configuração e especifique as versões de CUDA e cuDNN. Se o seu sistema tiver várias versões de CUDA ou cuDNN instaladas, defina explicitamente a versão em vez de confiar no padrão. ./configure cria links simbólicos para as bibliotecas CUDA do seu sistema - portanto, se você atualizar os caminhos da biblioteca CUDA, esta etapa de configuração deverá ser executada novamente antes da compilação.

Otimizações

Para sinalizadores de otimização de compilação, o padrão ( -march=native ) otimiza o código gerado para o tipo de CPU da sua máquina. No entanto, se estiver criando o TensorFlow para um tipo de CPU diferente, considere um sinalizador de otimização mais específico. Verifique o manual do GCC para exemplos.

Configurações pré-configuradas

Existem algumas configurações de compilação pré-configuradas disponíveis que podem ser adicionadas ao comando bazel build , por exemplo:

• --config=dbg —Compilação com informações de depuração. Consulte CONTRIBUTING.md para obter detalhes.
• --config=mkl —Suporte para Intel® MKL-DNN .
• --config=monolithic —Configuração para uma compilação monolítica principalmente estática.

Crie e instale o pacote pip

O pacote pip é construído em duas etapas. Um comando bazel build cria um programa de "construtor de pacotes". Em seguida, execute o construtor de pacotes para criar o pacote.

Crie o construtor de pacotes

Use bazel build para criar o construtor de pacotes TensorFlow 2.x com suporte somente para CPU :

bazel build [--config=option] //tensorflow/tools/pip_package:build_pip_package

suporte GPU

Para criar um construtor de pacotes do TensorFlow com suporte a GPU:

bazel build --config=cuda [--config=option] //tensorflow/tools/pip_package:build_pip_package

Opções de compilação do Bazel

Consulte a referência de linha de comando Bazel para opções de compilação .

Construir o TensorFlow a partir da fonte pode usar muita RAM. Se o seu sistema tiver restrição de memória, limite o uso de RAM do Bazel com: --local_ram_resources=2048 .

Os pacotes oficiais do TensorFlow são construídos com uma cadeia de ferramentas Clang que está em conformidade com o padrão de pacote manylinux2014.

Crie o pacote

O comando bazel build cria um executável chamado build_pip_package — este é o programa que cria o pacote pip . Execute o executável conforme mostrado abaixo para criar um pacote .whl no diretório /tmp/tensorflow_pkg .

Para compilar a partir de um branch de lançamento:

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

Para construir a partir do mestre, use --nightly_flag para obter as dependências corretas:

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

Embora seja possível criar configurações CUDA e não CUDA na mesma árvore de origem, é recomendável executar bazel clean ao alternar entre essas duas configurações na mesma árvore de origem.

Instale o pacote

O nome do arquivo .whl gerado depende da versão do TensorFlow e da sua plataforma. Use pip install para instalar o pacote, por exemplo:

pip install /tmp/tensorflow_pkg/tensorflow-version-tags.whl

Compilações do Docker Linux

As imagens de desenvolvimento do Docker do TensorFlow são uma maneira fácil de configurar um ambiente para criar pacotes Linux a partir do código-fonte. Essas imagens já contêm o código-fonte e as dependências necessárias para criar o TensorFlow. Acesse o guia TensorFlow Docker para obter instruções de instalação e a lista de tags de imagem disponíveis .

somente CPU

O exemplo a seguir usa a imagem :devel para criar um pacote somente para CPU a partir do código-fonte TensorFlow mais recente. Verifique o guia do Docker para obter as tags TensorFlow -devel disponíveis.

Baixe a imagem de desenvolvimento mais recente e inicie um contêiner do Docker que você usará para criar o pacote 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

O comando docker run acima inicia um shell no diretório /tensorflow_src - a raiz da árvore de origem. Ele monta o diretório atual do host no diretório /mnt do contêiner e passa as informações do usuário do host para o contêiner por meio de uma variável de ambiente (usada para definir permissões — o Docker pode tornar isso complicado).

Como alternativa, para criar uma cópia de host do TensorFlow em um contêiner, monte a árvore de origem do host no diretório /tensorflow do contêiner:

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

Com a árvore de origem configurada, crie o pacote TensorFlow no ambiente virtual do contêiner:

1. Opcional: Configure a compilação — isso solicita que o usuário responda às perguntas de configuração da compilação.
2. Crie a ferramenta usada para criar o pacote pip .
3. Execute a ferramenta para criar o pacote pip .
4. Ajuste as permissões de propriedade do arquivo para fora do contêiner.

./configure  # if necessary

bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /mnt  # create package

chown $HOST_PERMS /mnt/tensorflow-version-tags.whl

Instale e verifique o pacote dentro do contêiner:

pip uninstall tensorflow  # remove current version

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

Na máquina host, o pacote pip do TensorFlow está no diretório atual (com permissões de usuário do host): ./tensorflow- version - tags .whl

suporte GPU

O Docker é a maneira mais fácil de criar suporte a GPU para o TensorFlow, pois a máquina host requer apenas o driver NVIDIA® (o NVIDIA® CUDA® Toolkit não precisa ser instalado). Consulte o guia de suporte da GPU e o guia TensorFlow Docker para configurar o nvidia-docker (somente Linux).

O exemplo a seguir baixa a imagem TensorFlow :devel-gpu e usa nvidia-docker para executar o contêiner habilitado para GPU. Esta imagem de desenvolvimento está configurada para criar um pacote pip com suporte a GPU:

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

Em seguida, no ambiente virtual do contêiner, crie o pacote TensorFlow com suporte a GPU:

./configure  # if necessary

bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /mnt  # create package

chown $HOST_PERMS /mnt/tensorflow-version-tags.whl

Instale e verifique o pacote dentro do contêiner e verifique se há uma GPU:

pip uninstall tensorflow  # remove current version

pip install /mnt/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')))"

Configurações de compilação testadas

Linux

CPU

GPU

Mac OS

CPU

GPU