版本问题---Bazel与tensorflow的对应关系

 

源码安装tf的时候，会用到Bazel，版本不对应，后面会引起好多麻烦。

echo "deb [arch=amd64] http://storage.googleapis.com/bazel-apt stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list

curl https://bazel.build/bazel-release.pub.gpg | sudo apt-key add -

sudo apt-get update 

sudo apt-get install bazel 

这种安装方式，会把bazel更新到最新的版本，但是编译tensorflow的时候，不同tensorflow要与bazel的版本是对应的，如果这么做的话，后面的操作就会出错，可能还不知道怎么解决。

 

正确的做法应该是下载对应的版本来安装bazel，tensorflow与bazel的版本应该在tensorflow的官网查找：https://tensorflow.google.cn/install/source

linux下tensorflow与python、GCC、Bazel的版本关系，GCC一般支持C++11就可以，但bazel就真的还是要对应好版本，不然一大堆问题，会掉进坑里各种折腾。

Bazel 编译选项

从源代码编译 TensorFlow 可能会消耗大量内存。如果系统内存有限，请使用以下命令限制 Bazel 的内存消耗量：--local_ram_resources=2048。

官方 TensorFlow 软件包是使用 GCC 4 编译的，并使用旧版 ABI。对于 GCC 5 及更高版本，为了使您的编译系统与旧版 ABI 兼容，请使用 --cxxopt="-D_GLIBCXX_USE_CXX11_ABI=0"。兼容 ABI 可确保针对官方 TensorFlow pip 软件包编译的自定义操作继续支持使用 GCC 5 编译的软件包。
编译软件包

bazel build 命令会创建一个名为 build_pip_package 的可执行文件，此文件是用于编译 pip 软件包的程序。请如下所示地运行该可执行文件，以在 /tmp/tensorflow_pkg 目录中编译 .whl 软件包。

要从某个版本分支编译，请使用以下目录：

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

要从 master 编译，请使用 --nightly_flag 获取正确的依赖项：

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

尽管可以在同一个源代码树下编译 CUDA 和非 CUDA 配置，但建议您在同一个源代码树中的这两种配置之间切换时运行 bazel clean。
安装软件包

生成的 .whl 文件的文件名取决于 TensorFlow 版本和您的平台。例如，使用 pip install 安装软件包：

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

经过测试的构建配置

Linux

版本	Python 版本	编译器	编译工具
tensorflow-1.13.1	2.7、3.3-3.6	GCC 4.8	Bazel 0.19.2
tensorflow-1.12.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0
tensorflow-1.11.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0
tensorflow-1.10.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0
tensorflow-1.9.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.11.0
tensorflow-1.8.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.10.0
tensorflow-1.7.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.10.0
tensorflow-1.6.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.9.0
tensorflow-1.5.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.8.0
tensorflow-1.4.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.5.4
tensorflow-1.3.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.5
tensorflow-1.2.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.5
tensorflow-1.1.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.2
tensorflow-1.0.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.2

版本	Python 版本	编译器	编译工具	cuDNN	CUDA
tensorflow_gpu-1.13.1	2.7、3.3-3.6	GCC 4.8	Bazel 0.19.2	7.4	10.0
tensorflow_gpu-1.12.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.11.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.10.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.9.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.11.0	7	9
tensorflow_gpu-1.8.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.10.0	7	9
tensorflow_gpu-1.7.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.9.0	7	9
tensorflow_gpu-1.6.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.9.0	7	9
tensorflow_gpu-1.5.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.8.0	7	9
tensorflow_gpu-1.4.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.5.4	6	8
tensorflow_gpu-1.3.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.5	6	8
tensorflow_gpu-1.2.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.5	5.1	8
tensorflow_gpu-1.1.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.2	5.1	8
tensorflow_gpu-1.0.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.2	5.1	8

macOS

CPU

版本	Python 版本	编译器	编译工具
tensorflow-1.13.1	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.19.2
tensorflow-1.12.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.15.0
tensorflow-1.11.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.15.0
tensorflow-1.10.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.15.0
tensorflow-1.9.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.11.0
tensorflow-1.8.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.10.1
tensorflow-1.7.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.10.1
tensorflow-1.6.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.8.1
tensorflow-1.5.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.8.1
tensorflow-1.4.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.5.4
tensorflow-1.3.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.4.5
tensorflow-1.2.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.4.5
tensorflow-1.1.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.4.2
tensorflow-1.0.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.4.2

GPU

版本	Python 版本	编译器	编译工具	cuDNN	CUDA
tensorflow_gpu-1.1.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.4.2	5.1	8
tensorflow_gpu-1.0.0	2.7、3.3-3.6	XCode 中的 Clang	Bazel 0.4.2	5.1	8