我使用了一种hack/workaround来避免自己构建整个TF库(这节省了时间(3分钟即可完成设置)、磁盘空间、安装开发依赖项以及生成二进制文件的大小)。它是官方不支持的，但如果你只是想快速上手，效果很好。

Install TF through pip (pip install tensorflow or pip install tensorflow-gpu). Then find its library _pywrap_tensorflow.so (TF 0.* - 1.0) or _pywrap_tensorflow_internal.so (TF 1.1+). In my case (Ubuntu) it's located at /usr/local/lib/python2.7/dist-packages/tensorflow/python/_pywrap_tensorflow.so. Then create a symlink to this library called lib_pywrap_tensorflow.so somewhere where your build system finds it (e.g. /usr/lib/local). The prefix lib is important! You can also give it another lib*.so name - if you call it libtensorflow.so, you may get better compatibility with other programs written to work with TF.

然后创建一个你习惯的c++项目(CMake, Make, Bazel，任何你喜欢的)。

然后，您就可以链接到这个库，以便为您的项目提供TF(您还必须链接到python2.7库)!在CMake中，你只需要添加target_link_libraries(target _pywrap_tensorflow python2.7)。

c++头文件位于这个库附近，例如/usr/local/lib/python2.7/dist-packages/tensorflow/include/。

再次强调:这种方式是官方不支持的，您可能会遇到各种问题。这个库似乎是静态链接的，例如protobuf，所以你可能会在奇怪的链接时间或运行时问题中运行。但是我能够加载存储的图形，恢复权重并运行推理，这是我在c++中最想要的功能。

如果你不想自己构建Tensorflow，而且你的操作系统是Debian或Ubuntu，你可以下载带有Tensorflow C/ c++库的预构建包。这个发行版可以用于CPU的C/ c++推理，GPU支持不包括在内:

https://github.com/kecsap/tensorflow_cpp_packaging/releases

这里有一些关于如何在Tensorflow (TFLearn)中冻结检查点的说明，并使用C/ c++ API加载这个模型进行推理:

https://github.com/kecsap/tensorflow_cpp_packaging/blob/master/README.md

注意:我是这个Github项目的开发者。

我使用了一种hack/workaround来避免自己构建整个TF库(这节省了时间(3分钟即可完成设置)、磁盘空间、安装开发依赖项以及生成二进制文件的大小)。它是官方不支持的，但如果你只是想快速上手，效果很好。

Install TF through pip (pip install tensorflow or pip install tensorflow-gpu). Then find its library _pywrap_tensorflow.so (TF 0.* - 1.0) or _pywrap_tensorflow_internal.so (TF 1.1+). In my case (Ubuntu) it's located at /usr/local/lib/python2.7/dist-packages/tensorflow/python/_pywrap_tensorflow.so. Then create a symlink to this library called lib_pywrap_tensorflow.so somewhere where your build system finds it (e.g. /usr/lib/local). The prefix lib is important! You can also give it another lib*.so name - if you call it libtensorflow.so, you may get better compatibility with other programs written to work with TF.

然后创建一个你习惯的c++项目(CMake, Make, Bazel，任何你喜欢的)。

然后，您就可以链接到这个库，以便为您的项目提供TF(您还必须链接到python2.7库)!在CMake中，你只需要添加target_link_libraries(target _pywrap_tensorflow python2.7)。

c++头文件位于这个库附近，例如/usr/local/lib/python2.7/dist-packages/tensorflow/include/。

再次强调:这种方式是官方不支持的，您可能会遇到各种问题。这个库似乎是静态链接的，例如protobuf，所以你可能会在奇怪的链接时间或运行时问题中运行。但是我能够加载存储的图形，恢复权重并运行推理，这是我在c++中最想要的功能。

如果你希望避免使用Bazel构建项目和生成大型二进制文件，我已经组装了一个库，指导使用CMake TensorFlow c++库。你可以在这里找到它。总体思路如下:

克隆TensorFlow存储库。 在tensorflow/ build中添加一个构建规则(提供的规则不包括所有c++功能)。 构建TensorFlow共享库。 安装特定版本的Eigen和Protobuf，或将它们作为外部依赖项添加。 配置你的CMake项目来使用TensorFlow库。

首先，在安装了protobuf和eigen之后，你想要构建Tensorflow:

./configure
bazel build //tensorflow:libtensorflow_cc.so

然后复制以下include头文件和动态共享库到/usr/local/lib和/usr/local/include:

mkdir /usr/local/include/tf
cp -r bazel-genfiles/ /usr/local/include/tf/
cp -r tensorflow /usr/local/include/tf/
cp -r third_party /usr/local/include/tf/
cp -r bazel-bin/libtensorflow_cc.so /usr/local/lib/

最后，使用一个示例编译:

g++ -std=c++11 -o tf_example \
-I/usr/local/include/tf \
-I/usr/local/include/eigen3 \
-g -Wall -D_DEBUG -Wshadow -Wno-sign-compare -w  \
-L/usr/local/lib/libtensorflow_cc \
`pkg-config --cflags --libs protobuf` -ltensorflow_cc tf_example.cpp

你可以使用这个ShellScript来安装(大多数)它的依赖，克隆，构建，编译和得到所有必要的文件到../ src /包括文件夹:

https://github.com/node-tensorflow/node-tensorflow/blob/master/tools/install.sh