GitHub Repository: tensorflow/docs-l10n
Path: blob/master/site/zh-cn/lite/guide/build_cmake.md
²⁵¹¹⁸ views

使用 CMake 选择性构建 TensorFlow Lite

本页面介绍如何使用 CMake 工具构建并使用 TensorFlow Lite 库。

以下说明已在 Ubuntu 16.04.3 64 位 PC (AMD64)、macOS Catalina (x86_64)、Windows 10 和 TensorFlow devel Docker 镜像 tensorflow/tensorflow:devel 上进行测试。

注：此功能从 2.4 版本开始提供。

第 1 步：安装 CMake 工具

需要 CMake 3.16 或更高版本。在 Ubuntu 上，您只需运行以下命令即可。

sudo apt-get install cmake

或者您也可以按照 CMake 官方安装指南进行操作。

步骤 2. 克隆 TensorFlow 仓库

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

注：如果您使用的是 TensorFlow Docker 镜像，则 /tensorflow_src/ 中已经提供了该仓库。

第 3 步：创建 CMake 构建目录

mkdir tflite_build
cd tflite_build

第 4 步：使用配置运行 CMake 工具

发布构建

默认情况下，它会生成优化后的发布二进制文件。如果您想要为您的工作站进行构建，只需运行以下命令。

cmake ../tensorflow_src/tensorflow/lite

调试构建

如果您需要生成具有符号信息的调试版本，则需要提供 -DCMAKE_BUILD_TYPE=Debug 选项。

cmake ../tensorflow_src/tensorflow/lite -DCMAKE_BUILD_TYPE=Debug

使用内核单元测试进行构建

为了能够运行内核测试，您需要提供 {code 0}-DTFLITE_KERNEL_TEST=on{/code 0} 标志。单元测试交叉编译细节可以在下一小节中找到。

cmake ../tensorflow_src/tensorflow/lite -DTFLITE_KERNEL_TEST=on

构建可安装软件包

要使用 find_package(tensorflow-lite CONFIG) 构建可被另一个 CMake 项目用作依赖项的可安装软件包，请使用 -DTFLITE_ENABLE_INSTALL=ON 选项。

理想情况下，您还应提供自有版本的库依赖项。依赖 TF Lite 的项目也需要使用这些依赖项。您可以使用 -DCMAKE_FIND_PACKAGE_PREFER_CONFIG=ON 并将 <PackageName>_DIR 变量设置为指向您的库安装。

cmake ../tensorflow_src/tensorflow/lite -DTFLITE_ENABLE_INSTALL=ON \
  -DCMAKE_FIND_PACKAGE_PREFER_CONFIG=ON \
  -DSYSTEM_FARMHASH=ON \
  -DSYSTEM_PTHREADPOOL=ON \
  -Dabsl_DIR=<install path>/lib/cmake/absl \
  -DEigen3_DIR=<install path>/share/eigen3/cmake \
  -DFlatBuffers_DIR=<install path>/lib/cmake/flatbuffers \
  -Dgemmlowp_DIR=<install path>/lib/cmake/gemmlowp \
  -DNEON_2_SSE_DIR=<install path>/lib/cmake/NEON_2_SSE \
  -Dcpuinfo_DIR=<install path>/share/cpuinfo \
  -Druy_DIR=<install path>/lib/cmake/ruy

注：请参阅 find_package 的 CMake 文档以详细了解如何处理和定位软件包。

交叉编译

您可以使用 CMake 为 ARM64 或 Android 目标架构构建二进制文件。

为了交叉编译 TF Lite，您需要提供 SDK 的路径（例如 Android 的 ARM64 SDK 或 NDK），并带 -DCMAKE_TOOLCHAIN_FILE 标志。

cmake -DCMAKE_TOOLCHAIN_FILE=<CMakeToolchainFileLoc> ../tensorflow/lite/

Android 交叉编译的详细信息

Android 交叉编译需要安装 Android NDK 并为 NDK 路径提供上述 -DCMAKE_TOOLCHAIN_FILE 标志。您还需要使用 -DANDROID_ABI 标志来设置目标 ABI。

cmake -DCMAKE_TOOLCHAIN_FILE=<NDK path>/build/cmake/android.toolchain.cmake \
  -DANDROID_ABI=arm64-v8a ../tensorflow_src/tensorflow/lite

内核（单元）测试交叉编译的详细信息

单元测试的交叉编译需要用于主机架构的 flatc 编译器。为此，在tensorflow/lite/tools/cmake/native_tools/flatbuffers 中有一个 CMakeLists，用于使用主机工具链在单独的构建目录中使用 CMake 提前构建 flatc 编译器。

mkdir flatc-native-build && cd flatc-native-build
cmake ../tensorflow_src/tensorflow/lite/tools/cmake/native_tools/flatbuffers
cmake --build .

也可以将 flatc 安装到自定义安装位置（例如，安装到包含其他本地构建工具的目录中，而不是 CMake 构建目录中）：

cmake -DCMAKE_INSTALL_PREFIX=<native_tools_dir> ../tensorflow_src/tensorflow/lite/tools/cmake/native_tools/flatbuffers
cmake --build .

对于 TF Lite 交叉编译本身，需要提供指向包含本机 flatc 二进制文件目录的附加参数 -DTFLITE_HOST_TOOLS_DIR=<flatc_dir_path>，以及上述 -DTFLITE_KERNEL_TEST=on 标志。

cmake -DCMAKE_TOOLCHAIN_FILE=${OE_CMAKE_TOOLCHAIN_FILE} -DTFLITE_KERNEL_TEST=on -DTFLITE_HOST_TOOLS_DIR=<flatc_dir_path> ../tensorflow/lite/

在目标上启动交叉编译的内核（单元）测试

单元测试可以作为单独的可执行文件运行，也可以使用 CTest 实用工具运行。就 CTest 而言，如果为 TF Lite 版本启用了参数 TFLITE_ENABLE_NNAPI, TFLITE_ENABLE_XNNPACK 或 TFLITE_EXTERNAL_DELEGATE 中的至少一个，则生成的测试会带有两个不同的标签（使用相同的测试可执行文件）：- 普通 - 表示在 CPU 后端运行的测试 - 委托 - 表示测试期待用于所使用的委托规范的附加启动参数

CTestTestfile.cmake 和 run-tests.cmake（如下所述）都在 <build_dir>/kernels 中。

启动带有 CPU 后端的单元测试（前提是当前目录中的目标上存在 CTestTestfile.cmake）：

ctest -L plain

使用委托启动单元测试的示例（前提是当前目录中的目标上存在 CTestTestfile.cmake 和 run-tests.cmake 文件）：

cmake -E env TESTS_ARGUMENTS=--use_nnapi=true\;--nnapi_accelerator_name=vsi-npu ctest -L delegate
cmake -E env TESTS_ARGUMENTS=--use_xnnpack=true ctest -L delegate
cmake -E env TESTS_ARGUMENTS=--external_delegate_path=<PATH> ctest -L delegate

这种向单元测试提供与委托相关的其他启动参数的方式的一个已知限制是，它仅能有效支持预期返回值为 0 的参数。不同的返回值将被报告为测试失败。

OpenCL GPU 委托

如果您的目标机器支持 OpenCL，您可以使用可以利用您的 GPU 能力的 GPU 委托。

要配置 OpenCL GPU 委托支持，请运行以下代码：

cmake ../tensorflow_src/tensorflow/lite -DTFLITE_ENABLE_GPU=ON

注：此功能处于实验阶段，从 TensorFlow 2.5 开始提供。可能会出现兼容性问题。仅在 Android 设备和 NVidia CUDA OpenCL 1.2 上进行了验证。

第 5 步：构建 TensorFlow Lite

在 tflite_build 目录中运行以下代码，

cmake --build . -j

注：这将在当前目录中生成静态库 libtensorflow-lite.a，但该库无法独立使用，因为其中不包括所有可传递依赖项。要正确使用该库，您需要创建一个 CMake 项目。请参阅“创建使用 TensorFlow Lite 的 CMake 项目”部分。

第 6 步：构建 TensorFlow Lite 基准测试工具和标签图像示例（可选）

在 tflite_build 目录中运行以下代码，

cmake --build . -j -t benchmark_model

cmake --build . -j -t label_image

可用于构建 TensorFlow Lite 的选项

以下是可用选项列表。您可以使用 -D<option_name>=[ON|OFF] 对其进行重写。例如，通过 -DTFLITE_ENABLE_XNNPACK=OFF 禁用默认情况下处于启用状态的 XNNPACK。

选项名称	功能	Android	Linux	macOS	Windows
`TFLITE_ENABLE_RUY`	启用 RUY	开	关	关	关
: : matrix : : : : :
: : multiplication : : : : :
: : library : : : : :
`TFLITE_ENABLE_NNAPI`	启用 NNAPI	开	关	不适用	不适用
: : 委托 : : : : :
`TFLITE_ENABLE_GPU`	启用 GPU	关	关	不适用	不适用
: : 委托 : : : : :
`TFLITE_ENABLE_XNNPACK`	启用 XNNPACK	开	开	开	开
: : 委托 : : : : :
`TFLITE_ENABLE_MMAP`	启用 MMAP	开	开	开	不适用

创建使用 TensorFlow Lite 的 CMake 项目

以下是 TFLite 最小示例的 CMakeLists.txt。

您需要为 TensorFlow Lite 目录添加 add_subdirectory() 并使用 target_link_libraries() 链接 tensorflow-lite。

cmake_minimum_required(VERSION 3.16)
project(minimal C CXX)

set(TENSORFLOW_SOURCE_DIR "" CACHE PATH
  "Directory that contains the TensorFlow project" )
if(NOT TENSORFLOW_SOURCE_DIR)
  get_filename_component(TENSORFLOW_SOURCE_DIR
    "${CMAKE_CURRENT_LIST_DIR}/../../../../" ABSOLUTE)
endif()

add_subdirectory(
  "${TENSORFLOW_SOURCE_DIR}/tensorflow/lite"
  "${CMAKE_CURRENT_BINARY_DIR}/tensorflow-lite" EXCLUDE_FROM_ALL)

add_executable(minimal minimal.cc)
target_link_libraries(minimal tensorflow-lite)

构建 TensorFlow Lite C 库

如果您想为 C API 构建 TensorFlow Lite 共享库，请先完成第 1 步到第 3 步。之后，运行以下命令。

cmake ../tensorflow_src/tensorflow/lite/c
cmake --build . -j

此命令在当前目录中生成以下共享库。

注：在 Windows 系统上，您可以在 debug 目录下找到 tensorflowlite_c.dll。

平台	库名称
Linux	`libtensorflowlite_c.so`
macOS	`libtensorflowlite_c.dylib`
Windows	`tensorflowlite_c.dll`

注：您需要公共头（tensorflow/lite/c_api.h、tensorflow/lite/c_api_experimental.h、tensorflow/ lite/c_api_types.h 和 tensorflow/lite/common.h），以及这些公共头包含的私有头（tensorflow/lite/core/builtin_ops.h{ /code5}、<code data-md-type="codespan">tensorflow/lite/core/c/*.h 和 tensorflow/lite/core/async/c/*.h）来使用生成的共享库。