共计 16445 个字符，预计需要花费 42 分钟才能阅读完成。
介绍
本页将领导您在 Raspberry Pi 4 64 位操作系统 Bullseye 上装置 TensorFlow 2.10.0 或更早版本。
TensorFlow 是一个专门为深度学习开发的大型软件库。它耗费大量资源。你能够在 Raspberry Pi 4 上执行 TensorFlow，但不要指望奇观。它能够运行您的模型，如果不是太简单，但它将无奈训练新模型。它也不能执行所谓的迁徙学习。除了运行事后构建的深度学习模型外，您还能够应用该库将所谓的解冻 TensorFlow 模型转换为 TensorFlow Lite 立体缓冲区模型。
如果你只是想对深度学习有一些印象，请思考装置 TensorFlow Lite。它的速度要快得多，应用的资源要少得多，因为它是为 Raspberry Pi 等小型计算机设计的。您能够应用许多现成的生成模型。在此处查看咱们的 64 位 Raspberry 装置指南。
路线图
TensorFlow 持续增长。每个新版本都须要更多的资源、支持软件和库。它越来越多地给你的树莓派带来了惨重的累赘。它解释了为什么最新版本在具备“过期”操作系统的“旧”Raspberry Pis 上不能很好地运行。
另一方面，不倡议在最新的 Bullseye 上装置十分旧的 TensorFlow 版本。您将被迫降级某些零碎库，这将阻止其他软件运行。这里最好遵循：“顺其自然”。
以下是概述。绿色复选标记示意有版本可用。空的绿色盒子意味着没有版本，但依然能够装置。灰色框指定不容许“失常”装置的硬件或软件限度。
提醒
通常，咱们会收到一个问题，如果咱们有一个带有预装框架和深度学习示例的 Raspberry Pi 4 的 SD 图像。
咱们很乐意恪守这一要求。请在咱们的 GitHub 页面上找到一个残缺的 Raspberry Pi 4，专门用于深度学习。从咱们的 GDrive 网站下载 zip 文件，解压缩并在 16 GB SD 卡上刷新图像，而后开始吧！
咱们探讨了两个装置，一个用于 Python 3，一个用于 API 库 C ++。可怜的是，没有官网的 aarch64 pip3 轮可用于 2.7、2.6 或 2.5 版本。然而，为了您的不便，咱们应用 Bazel 创立了咱们的轮子并将它们放在 GitHub 上。本指南的最初一部分探讨了 Keras 的装置。
筹备
Numpy
Tensorflow 在最新版本的 numpy 中遇到了问题。将 TensorFlow 移植到 numpy 1.20 变得十分艰难。当初，随着 TensorFlow 版本 2.8.0 的呈现，它终于胜利了。最初，装置 TensorFlow 时不再有 numpy 版本抵触。
然而，TensorFlow 2.7.0 依然报告了一些问题。为了平安起见，请应用 numpy 版本 1.19.5 为了 TF 2.7.0 以确保一切正常。
libclang 9.0.1
TensorFlow 2.7.0 依赖于 libclang 9.0.1。没有实用于 Debian 10 的发行版。这就是为什么只有 TensorFlow 2.7 装置在 Debian11Bullseye 上，。你能够从头开始在 Buster RPi 上装置 libclang 9.0.1，这样你就能够装置 TensorFlow 了。请留神，clang 构建须要大量资源，超过 5 GB。最好切换到 Bullseye，并在半小时内启动并运行 TensorFlow
Protobuffer 4.21
最新版本的 Protobuffer 4.21.0 与以前的版本 3.20.1 相比有一些重大改良。然而，TensorFlow 尚不反对这些更改。为了使 TensorFlow 失常工作，如果您装置了 4.21，则须要将 Protobuf 降级到 3.20 版本。
无关如何降级的更多信息，请拜访咱们的 GitHub 页面。
Tensorflow-io-gcs-filesystem
所有依赖项都能够只用一个命令装置，除了 tensorflow-io-gcs 文件系统。因为没有 aarch64 机器的发行版，咱们必须从头开始构建 tensorflow-io-gcs 文件系统。整个过程能够在上面找到，应该在装置 TensorFlow 自身之前实现。如果让 TensorFlow 装置 io-gcs，它将抉择谬误的版本并且不起作用。# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# install pip3
$ sudo apt-get install git python3-pip
# install correct version protobuf
$ sudo -H pip3 install --upgrade protobuf==3.20.0
Method 1
# download tensorflow io
$ git clone -b v0.23.1 --depth=1 --recursive https://github.com/tensorflow/io.git
$ cd io
$ python3 setup.py -q bdist_wheel --project tensorflow_io_gcs_filesystem
$ cd dist
$ sudo -H pip3 install tensorflow_io_gcs_filesystem-0.23.1-cp39-cp39-linux_aarch64.whl
$ cd ~
Method 2
# or download wheel
$ git clone https://github.com/Qengineering/Tensorflow-io.git
$ cd Tensorflow-io
$ sudo -H pip3 install tensorflow_io_gcs_filesystem-0.23.1-cp39-cp39-linux_aarch64.whl
$ cd ~Python 3.9 的 TensorFlow wheels
TensorFlow 由一个名为 Bazel 的 Google 软件安装程序装置。最初，Bazel 生成一个轮子来装置 TensorFlow Python 版本，或者在装置 C ++ 版本时生成一个压缩包。这两种办法都是树莓派用户所熟知的。咱们曾经在 GitHub 页面上公布了 Bazel 的后果。随便应用这些轮子。整个 TensorFlow 装置过程从头到尾须要很多小时（Python ±64，C++ 库±1）。实现所有繁琐的工作后，只需几分钟即可在 Raspberry 64 位 Bullseye 上装置 TensorFlow。对于很难实现的局部，本手册稍后将介绍残缺的程序。
整个快捷方式过程如下。wheels 太大，无奈存储在 GitHub 上，因而应用 Google 驱动器代替。
TensorFlow 2.10.0
# install gdown to download from Google drive
$ sudo -H pip3 install gdown
# download the wheel
$ gdown https://drive.google.com/uc?id=1G2P-FaHAXJ-UuQAQn_0SYjNwBu0aShpd
# install TensorFlow 2.10.0
$ sudo -H pip3 install tensorflow-2.10.0-cp39-cp39-linux_aarch64.whlTensorFlow 2.9.1
# install gdown to download from Google drive
$ sudo -H pip3 install gdown
# download the wheel
$ gdown https://drive.google.com/uc?id=1xP6ErBK85SMFnQamUh4ro3jRmdCV_qDU
# install TensorFlow 2.9.1
$ sudo -H pip3 install tensorflow-2.9.1-cp39-cp39-linux_aarch64.whlTensorFlow 2.8.0
# install gdown to download from Google drive
$ sudo -H pip3 install gdown
# download the wheel
$ gdown https://drive.google.com/uc?id=1YpxNubmEL_4EgTrVMu-kYyzAbtyLis29
# install TensorFlow 2.8.0
$ sudo -H pip3 install tensorflow-2.8.0-cp39-cp39-linux_aarch64.whlTensorFlow 2.7.0
# utmost important: use only numpy version 1.19.5
# check the version first
$ pip3 list | grep numpy
# if not version 1.19.5, update!
$ sudo -H pip3 install numpy==1.19.5
# (re)install termcolor at the correct location
$ python3 -m pip install termcolor
# install gdown to download from Google drive
$ sudo -H pip3 install gdown
# download the wheel
$ gdown https://drive.google.com/uc?id=1FdVZ1kX5QZgWk2SSgq31C2-CF95QhT58
# install TensorFlow 2.7.0
$ sudo -H pip3 install tensorflow-2.7.0-cp39-cp39-linux_aarch64.whl装置胜利后，应取得以下屏幕输入。
TensorFlow 2.8.0 C++ API
如果你打算用 C ++ 编程，你将须要 TensorFlow 的 C ++API 版本，而不是 Python 版本。应用咱们 GitHub 页面中的预构建压缩包装置 C++ 库能够为您节俭大量工夫。请依照以下步骤操作。
TensorFlow 2.10.0
# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# remove old versions (if found)
$ sudo rm -r /usr/local/lib/libtensorflow*
$ sudo rm -r /usr/local/include/tensorflow
# the dependencies
$ sudo apt-get install wget curl libhdf5-dev libc-ares-dev libeigen3-dev
$ sudo apt-get install libatomic1 libatlas-base-dev zip unzip
# install gdown to download from Google drive (if not already done)
$ sudo -H pip3 install gdown
# download the tarball
$ gdown https://drive.google.com/uc?id=1GOC5CiT5Ws2NpiBem4K3g3FRqmGDRcL7
# unpack the ball
$ sudo tar -C /usr/local -xzf libtensorflow_cp39_64OS_2_10_0.tar.gzTensorFlow 2.9.1
# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# remove old versions (if found)
$ sudo rm -r /usr/local/lib/libtensorflow*
$ sudo rm -r /usr/local/include/tensorflow
# the dependencies
$ sudo apt-get install wget curl libhdf5-dev libc-ares-dev libeigen3-dev
$ sudo apt-get install libatomic1 libatlas-base-dev zip unzip
# install gdown to download from Google drive (if not already done)
$ sudo -H pip3 install gdown
# download the tarball
$ gdown https://drive.google.com/uc?id=1Z83_RQTvCb2jL2BO1Zdez3x4Qx-XheRk
# unpack the ball
$ sudo tar -C /usr/local -xzf libtensorflow_cp39_64OS_2_9_1.tar.gzTensorFlow 2.8.0
# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# remove old versions (if found)
$ sudo rm -r /usr/local/lib/libtensorflow*
$ sudo rm -r /usr/local/include/tensorflow
# the dependencies
$ sudo apt-get install wget curl libhdf5-dev libc-ares-dev libeigen3-dev
$ sudo apt-get install libatomic1 libatlas-base-dev zip unzip
# install gdown to download from Google drive (if not already done)
$ sudo -H pip3 install gdown
# download the tarball
$ gdown https://drive.google.com/uc?id=1dmJKIk8lUi_XCzlVnRgL-UvfVFriRmCG
# unpack the ball
$ sudo tar -C /usr/local -xzf libtensorflow_cp39_64OS_2_8_0.tar.gzTensorFlow 2.7.0
# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# remove old versions (if found)
$ sudo rm -r /usr/local/lib/libtensorflow*
$ sudo rm -r /usr/local/include/tensorflow
# the dependencies
$ sudo apt-get install wget curl libhdf5-dev libc-ares-dev libeigen3-dev
$ sudo apt-get install libatomic1 libatlas-base-dev zip unzip
# install gdown to download from Google drive (if not already done)
$ sudo -H pip3 install gdown
# download the tarball
$ gdown https://drive.google.com/uc?id=1kScCKyj0pr265XbCgYmXqXs77xJFe6p1
# unpack the ball
$ sudo tar -C /usr/local -xzf libtensorflow_cp39_64OS_2_7_0.tar.gz你最终应该将 TensorFlow 库装置在 /usr/local/lib 地位，并将头文件装置在文件夹 usr/local/include/tensorflow/c 中。
从头开始装置
内存替换大小
构建残缺的 TensorFlow 2.8 包须要超过 6 GB 的 RAM。如果您有具备 8 GB RAM 的 Raspberry Pi 4，那么您就很分明了。否则，请确保减少替换大小以满足此需要。板载 4 GB RAM，zram 能够提供额定的 2 GB。有了 2 GB 的 RAM，您就不能再依附 zram 来压缩超过 2 倍。在这种状况下，他们必须重新安装 dphys-swapfile 能力从 SD 卡中获取额定的空间。如果您必须装置 dphys-swapfile，请依照以下命令操作。在 Bullseye 操作系统上设置替换空间时，实现重启须要相当长的工夫。# install dphys-swapfile
$ sudo apt-get install dphys-swapfile
# give the required memory size
$ sudo nano /etc/dphys-swapfile
# reboot afterwards
$ sudo reboot如果一切顺利，你应该有这样的货色。
作为记录，显示的数字是 dphys-swapfile 和 zram 调配的替换空间总量。请不要遗记在实现后删除 dphys-swapfile。留神：如果在同时启用 zram 和 dphys-swapfile 的状况下重新启动 Raspberry Pi，zram 将在启动期间禁用 dphys-swapfile。您必须手动从新激活此服务。
# reactivate dphys-swapfile after a reboot
# (when zram and dphys-swapfile are both enabled)
$ sudo /etc/init.d/dphys-swapfile stop
$ sudo /etc/init.d/dphys-swapfile startBazel
Bazel 是 Google 的收费软件工具，用于主动构建和测试软件包。你能够将它与 OpenCV 应用的 CMake 进行比拟，但后者只构建软件，没有测试工具。Bazel 是用 Java 编写的，Java 是一种独立于平台的语言，在语法方面次要基于 C ++。要编译 Bazel，咱们必须首先应用以下命令装置 Java 和其余一些依赖项。# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# install pip and pip3
$ sudo apt-get install python3-pip
# install some tools
$ sudo apt-get install zip unzip curl
# install Java
$ sudo apt-get install openjdk-11-jdk接下来，咱们能够下载并解压缩 Bazel 软件。咱们须要 TensorFlow 2.1.0 的 Bazel 版本 5.1.1，因而请确保装置正确的版本。
$ wget https://github.com/bazelbuild/bazel/releases/download/5.1.1/bazel-5.1.1-dist.zip
$ unzip -d bazel bazel-5.1.1-dist.zip
$ cd bazel在装置过程中，Bazel 应用预约义的可用工作内存比率。因为树莓派的 RAM 大小无限，这个比例太小了。为避免解体，咱们必须将此内存的大小定义为最大板载 RAM 的 40%。例如，800 MB 用于 2 GByte RAM Raspberry Pi。这是通过在脚本文件 compile.sh 中增加一些额定信息来实现的。您能够将文本 -J-Xmx800M 增加到以 run 结尾的行中。（第 144 行左右）。请参阅上面的屏幕。应用家喻户晓的 <Ctrl + X>、<Y>、<Enter> 保留更改（请参阅下面的幻灯片放映）。$ nano scripts/bootstrap/compile.sh -c
一旦 Bazel 的 Java 环境最大化，您就能够应用下一个命令开始构建 Bazel 软件。实现后，将二进制文件复制到 /usr/local/bin 地位，以便 bash 能够在任何中央找到可执行文件。最初一个操作是删除 zip 文件。整个构建大概须要 33 分钟。# start the build
$ env EXTRA_BAZEL_ARGS="--host_javabase=@local_jdk//:jdk" bash ./compile.sh
# copy the binary
$ sudo cp output/bazel /usr/local/bin/bazel
# clean up
$ cd ~
$ rm bazel-5.1.1-dist.zip
# if you have a copied bazel to /usr/local/bin you may also
# delete the whole bazel directory, freeing another 500 MByte
$ sudo rm -rf bazel装置 TensorFlow for Python 3
随着 Bazel 的启动和运行，咱们能够开始在 64 位 Raspberry Pi for Python 3 上构建 TensorFlow 2.10.0。这简直正在成为规范做法。首先，装置一些依赖项，而后从 GitHub 下载 zip，最初解压缩软件。您还必须装置 tensorflow_io_gcs 文件系统。它是通过应用咱们的 GitHub 存储库中的预编译轮来实现的。
TensorFlow 2.10.0
# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# the dependencies
$ sudo apt-get install zip unzip
$ sudo -H pip3 install keras_applications --no-deps
$ sudo -H pip3 install keras_preprocessing --no-deps
# install correct version protobuf
$ sudo -H pip3 install --upgrade protobuf==3.20.0
# download tensorflow io
$ git clone https://github.com/Qengineering/Tensorflow-io.git
$ cd Tensorflow-io
$ sudo -H pip3 install tensorflow_io_gcs_filesystem-0.23.1-cp39-cp39-linux_aarch64.whl
$ cd ~
# download TensorFlow 2.10.0
$ wget -O tensorflow.zip https://github.com/tensorflow/tensorflow/archive/v2.10.0.zip
$ unzip tensorflow.zip
$ cd tensorflow-2.10.0
$ ./configureTensorFlow 2.9.1
# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# the dependencies
$ sudo apt-get install zip unzip
$ sudo -H pip3 install keras_applications --no-deps
$ sudo -H pip3 install keras_preprocessing --no-deps
# install correct version protobuf
$ sudo -H pip3 install --upgrade protobuf==3.20.0
# download tensorflow io
$ git clone https://github.com/Qengineering/Tensorflow-io.git
$ cd Tensorflow-io
$ sudo -H pip3 install tensorflow_io_gcs_filesystem-0.23.1-cp39-cp39-linux_aarch64.whl
$ cd ~
# download TensorFlow 2.9.1
$ wget -O tensorflow.zip https://github.com/tensorflow/tensorflow/archive/v2.9.1.zip
$ unzip tensorflow.zip
$ cd tensorflow-2.9.1
$ ./configureTensorFlow 2.8.0
# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# the dependencies
$ sudo apt-get install zip unzip
$ sudo -H pip3 install keras_applications --no-deps
$ sudo -H pip3 install keras_preprocessing --no-deps
# install correct version protobuf
$ sudo -H pip3 install --upgrade protobuf==3.20.0
$ cd ~
# download TensorFlow 2.8.0
$ wget -O tensorflow.zip https://github.com/tensorflow/tensorflow/archive/v2.8.0.zip
$ unzip tensorflow.zip
$ cd tensorflow-2.8.0
$ ./configureTensorFlow 2.7.0
# get a fresh start
$ sudo apt-get update
$ sudo apt-get upgrade
# the dependencies
$ sudo apt-get install zip unzip
$ sudo -H pip3 install keras_applications --no-deps
$ sudo -H pip3 install keras_preprocessing --no-deps
# download TensorFlow 2.7.0
$ wget -O tensorflow.zip https://github.com/tensorflow/tensorflow/archive/v2.7.0.zip
$ unzip tensorflow.zip
$ cd tensorflow-2.7.0
$ ./configure构建 Python 3 装置轮之前的最初一步是应用一些环境变量配置构建。这是由 ./configure 脚本文件实现的。将 Python 3 定义为默认的 Python 版本，对所有其余问题定义为“否”。
pi@raspberrypi:~/tensorflow-2.10.0 $ ./configure
You have bazel 5.1.1- (@non-git) installed.
Please specify the location of python. [Default is /usr/bin/python3]: <enter>
Found possible Python library paths:
/usr/lib/python3/dist-packages
/usr/local/lib/python3.9/dist-packages
Please input the desired Python library path to use. Default is [/usr/lib/python3/dist-packages] <enter>
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]: <enter>
Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: n
Not configuring the WORKSPACE for Android builds.
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=v2 # Build TensorFlow 2.x instead of 1.x.
Preconfigured Bazel build configs to DISABLE default on features:
--config=noaws # Disable AWS S3 filesystem support.
--config=nogcp # Disable GCP support.
--config=nohdfs # Disable HDFS support.
--config=nonccl # Disable NVIDIA NCCL support.
Configuration finished脚本文件现已全副设置结束，能够应用以下命令开始大规模构建。-Xmx1624m 设置运行 Bazel 的 Java 环境的内存大小。给它尽可能多的空间。咱们倡议 80% 的树莓派内存大小。在咱们的例子中，咱们有 2 GB 板载，所以 1624 MB 为除 Bazel 之外的其余线程留下了足够的空间。
另一点是 Basel 应用的内核数量。最好应用一个内核。运行慢一点比解体好一点（总是在最初）并从新开始。
在生成过程中敞开所有其余应用程序。运行的其余过程越少，编译速度就越快。
$ sudo bazel clean
$ sudo bazel --host_jvm_args=-Xmx1624m build \
--config=opt \
--config=noaws \
--config=nogcp \
--config=nohdfs \
--config=nonccl \
--config=monolithic \
--config=v2 \
--local_cpu_resources=1 \
--define=tflite_pip_with_flex=true \
--copt=-ftree-vectorize \
--copt=-funsafe-math-optimizations \
--copt=-ftree-loop-vectorize \
--copt=-fomit-frame-pointer \
//tensorflow/tools/pip_package:build_pip_package通过 41 小时（或更长时间！）编译后，您将看到以下屏幕。
当初咱们必须生成 wheel 并装置它。这是通过以下命令实现的。装置大概只需几分钟。
TensorFlow 2.10.0
# synthesize the wheel
$ sudo bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
$ cd ~
# go to the folder where the wheel is located and install tensorflow
$ cd /tmp/tensorflow_pkg
$ sudo -H pip3 install tensorflow-2.10.0-cp39-cp39-linux_aarch64.whlTensorFlow 2.9.1
# synthesize the wheel
$ sudo bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
$ cd ~
# go to the folder where the wheel is located and install tensorflow
$ cd /tmp/tensorflow_pkg
$ sudo -H pip3 install tensorflow-2.9.1-cp39-cp39-linux_aarch64.whlTensorFlow 2.8.0
# synthesize the wheel
$ sudo bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
$ cd ~
# go to the folder where the wheel is located and install tensorflow
$ cd /tmp/tensorflow_pkg
$ sudo -H pip3 install tensorflow-2.8.0-cp39-cp39-linux_aarch64.whlTensorFlow 2.7.0
# synthesize the wheel
$ sudo bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
$ cd ~
# go to the folder where the wheel is located and install tensorflow
$ cd /tmp/tensorflow_pkg
$ sudo -H pip3 install tensorflow-2.7.0-cp39-cp39-linux_aarch64.whl装置 TensorFlow C++ API
如前所述，您能够应用 GitHub 页面上的压缩包十分疾速地装置 TensorFlow C++ API; 不须要通过漫长的装置过程。对于那些想要本人构建 API 的人，当初遵循装置指南。首先，如果尚未装置 Bazel。该过程也在下面形容。一旦 Bazel 开始工作，你能够装置依赖项并下载 TensorFlow，如果之前还没有为 Python 3 装置实现的话。
TensorFlow 2.10.0
# the dependencies
$ sudo apt-get install build-essential make cmake wget zip unzip
$ sudo apt-get install libhdf5-dev libc-ares-dev libeigen3-dev
$ sudo apt-get install libatlas-base-dev
# download TensorFlow 2.10.0
$ wget -O tensorflow.zip https://github.com/tensorflow/tensorflow/archive/v2.10.0.zip
# unpack the folder
$ unzip tensorflow.zip
$ cd tensorflow-2.10.0
$ ./configureTensorFlow 2.9.1
# the dependencies
$ sudo apt-get install build-essential make cmake wget zip unzip
$ sudo apt-get install libhdf5-dev libc-ares-dev libeigen3-dev
$ sudo apt-get install libatlas-base-dev
# download TensorFlow 2.10.0
$ wget -O tensorflow.zip https://github.com/tensorflow/tensorflow/archive/v2.10.0.zip
# unpack the folder
$ unzip tensorflow.zip
$ cd tensorflow-2.10.0
$ ./configureTensorFlow 2.8.0
# the dependencies
$ sudo apt-get install build-essential make cmake wget zip unzip
$ sudo apt-get install libhdf5-dev libc-ares-dev libeigen3-dev
$ sudo apt-get install libatlas-base-dev
# download TensorFlow 2.8.0
$ wget -O tensorflow.zip https://github.com/tensorflow/tensorflow/archive/v2.8.0.zip
# unpack the folder
$ unzip tensorflow.zip
$ cd tensorflow-2.8.0
$ ./configureTensorFlow 2.7.0
# the dependencies
$ sudo apt-get install build-essential make cmake wget zip unzip
$ sudo apt-get install libhdf5-dev libc-ares-dev libeigen3-dev
$ sudo apt-get install libatlas-base-dev
# download TensorFlow 2.7.0
$ wget -O tensorflow.zip https://github.com/tensorflow/tensorflow/archive/v2.7.0.zip
# unpack the folder
$ unzip tensorflow.zip
$ cd tensorflow-2.7.0
$ ./configure同样，咱们须要在理论构建开始之前配置 Bazel。只管咱们要构建一个 C ++ API，但 Bazel 脚本文件须要设置为 Python 3 作为默认 Python 版本，而所有其余问题则须要设置为“否”。答复脚本文件的所有问题后，您最终会失去与上所示雷同的输入屏幕。
最初一步是命令行及其选项。同样，与之前应用的简直雷同。这里最重要的是 –config=monolithic 标记。没有这个方向，TensorFlow 将无奈与 OpenCV 一起应用，反之亦然。就像 pip 编译一样，Java 环境（-Xmx1624m）的内存必须最大化到 Raspberry Pi 板载内存的 80%。最初一行示意压缩包库构建，而不是 pip wheel。
$ sudo bazel --host_jvm_args=-Xmx1624m build \
--config=opt \
--config=noaws \
--config=nogcp \
--config=nohdfs \
--config=nonccl \
--config=monolithic \
--config=v2 \
--local_cpu_resources=1 \
--copt=-ftree-vectorize \
--copt=-funsafe-math-optimizations \
--copt=-ftree-loop-vectorize \
--copt=-fomit-frame-pointer \
//tensorflow/tools/lib_package:libtensorflow通过漫长的 12 个小时期待，您将看到以下屏幕。
最初一步是装置压缩包。这是通过以下命令实现的。
$ sudo tar -C /usr/local -xzf bazel-bin/tensorflow/tools/lib_package/libtensorflow.tar.gz装置后，您必须具备雷同的文件夹（/usr/local/lib 和 usr/local/include/tensorflow/c），如本页结尾所示。
革除
胜利装置后，不再须要许多文件。bazel 生成的两头对象文件占用大概 6 GB 的磁盘。删除不会造成任何挫伤。
# clean up the whole bazel cache
$ sudo rm -rf ~/.cache/bazel如果您必须重新安装 dphys-swapfile，是时候再次卸载它了。这样，您将缩短 SD 卡的使用寿命。
# remove the dphys-swapfile (if installed)
$ sudo /etc/init.d/dphys-swapfile stop
$ sudo apt-get remove --purge dphys-swapfile转载来自：rpideveloper.com/topic/18
https://www.edatec.cn/cn/WX：上海晶珩电子