conda create --name python36 python=3.6
activate python36
python --version #查看 发现已经是3.6版本

python
import tensorflow

jupyter kernelspec list

conda install jupyter notebook #重新安装Jupyter

我通过构建libtensorflow.so目标来构建C API.我想加载一个预先训练过的模型并对其进行推理以进行预测.我被告知我可以通过包含’c_api.h’头文件(以及将该文件和’libtensorflow.so’复制到适当的位置)来做到这一点,但是,我没有运气在网上找到任何关于它的例子.我所能找到的只是使用Bazel构建系统的示例,而我想使用另一个构建系统并使用TensorFlow作为库.有人可以帮我举例说明如何导入a)元图文件; b)protobuf图形文件加上检查点文件,以进行预测？下面的 Python文件的C等价物并用g构建？

#!/usr/bin/env python

import tensorflow as tf
import numpy as np

with tf.Session() as sess:
    saver = tf.train.import_Meta_graph('./Metagraph.Meta')
    saver.restore(sess,'./checkpoint.ckpt')
    x = tf.get_collection("x")[0]
    yhat = tf.get_collection("yhat")[0]
    print sess.run(yhat,Feed_dict={x : np.array([[2,3],[4,5]])})

提前致谢！

p.s.：为了完整起见,我做了以下内容来构建文件：

#!/usr/bin/env python

import tensorflow as tf
import numpy as np

x = tf.placeholder(tf.float32,shape=[None,2],name='x')
tf.add_to_collection("x",x)
y = tf.placeholder(tf.float32,1],name='y')
w = tf.Variable(np.array([[10.0],[100.0]]),dtype=tf.float32,name='w')
b = tf.Variable(0.0,name='b')
yhat = tf.add(tf.matmul(x,w),b)
tf.add_to_collection("yhat",yhat)
mse_loss = tf.sqrt(tf.reduce_mean(tf.square(tf.sub(y,yhat))))
step_size = tf.constant(0.01)
optimizer = tf.train.GradientDescentOptimizer(step_size)
init_op = tf.initialize_all_variables()
train_op = optimizer.minimize(mse_loss)
saver = tf.train.Saver()
with tf.Session() as sess:
    sess.run(init_op)
    for i in xrange(10000):
        train_x = np.random.random([100,2]) * 10
        train_y = np.dot(train_x,np.array([[100.0],[10.0]])) + 1.0
        sess.run(train_op,Feed_dict={x : train_x,y : train_y})
    print sess.run(w)
    print sess.run(b)
    saver.save(sess,'./checkpoint.ckpt')
    saver.export_Meta_graph('./Metagraph.Meta')
    tf.train.write_graph(sess.graph_def,'./','graph')

我使用Eclipse并将c_api.h添加到我的项目文件中,并将libtensorflow.so添加到/usr/local/bin.然后我将libtensorflow共享对象的引用添加到我的GCC C Linker上的库中,最后创建了一个简单的程序.

#include <iostream>
#include "c_api.h"

using namespace std;

int main() {
    cout << TF_Version();
    return 0;
}

然后,这允许我编译和使用Tensorflow函数,包括您想要的函数.