用树莓派搞深度学习？TensorFlow启动！-电子发烧友网

介绍

本页面将指导您在搭载64位Bullseye操作系统的Raspberry Pi 4上安装TensorFlow。

TensorFlow是一个专为深度学习开发的大型软件库，它消耗大量资源。您可以在Raspberry Pi 4上运行TensorFlow，但不要期望有奇迹般的表现。如果模型不太复杂，它可以运行您的模型，但无法训练新模型，也无法执行所谓的迁移学习。除了运行您预先构建的深度学习模型外，您还可以使用该库将所谓的冻结TensorFlow模型转换为TensorFlow Lite平面缓冲区模型。

如果您只想对深度学习有个初步了解，请考虑安装TensorFlow Lite。它速度更快，使用的资源更少，因为它是为Raspberry Pi这样的小型计算机设计的。您可以使用许多现成的模型。有关在64位Raspberry Pi上安装的指南，请参阅此处。

路线图

TensorFlow不断发展壮大。每个新版本都需要更多的资源、支持软件和库。它给您的Raspberry Pi带来了越来越重的负担。这就解释了为什么最新版本在搭载“过时”操作系统的“旧”Raspberry Pi上运行不佳。

另一方面，不建议在最新的Bullseye上安装非常旧的TensorFlow版本。您将不得不降级一些系统库，这将导致其他软件无法正常工作。这里的座右铭是：“随波逐流”。

以下是概览。绿色勾选标记表示有可用的wheel文件。空绿色框表示没有wheel文件，但仍然可以安装。灰色框表示硬件或软件限制，不允许进行“正常”安装。

提示

我们经常收到询问，是否有预装了框架和深度学习示例的Raspberry Pi 4的SD卡镜像。我们很高兴满足这一要求。请在我们的GitHub页面上找到专用于深度学习的完整工作Raspberry Pi 4。从我们的GDrive网站下载zip文件，解压并将镜像刷入32GB的SD卡，然后尽情享受吧！

我们讨论了两种安装，一种是针对Python 3的，另一种是针对C++ API库的。不幸的是，对于2.7、2.6或2.5版本，没有官方的aarch64 pip3 wheel文件可用。但是，我们使用Bazel创建了wheel文件，并将其放在GitHub上供您使用。

本指南的最后部分讨论了Keras的安装。

准备

Numpy

TensorFlow与最新版本的numpy遇到了问题。将TensorFlow移植到numpy 1.20成为了一项真正的挑战。现在，随着TensorFlow版本2.8.0的发布，它终于成功了。最后，在安装TensorFlow时，再也没有numpy版本冲突了。

但是，TensorFlow 2.7.0仍然报告了一些问题。为了确保一切正常，请使用numpy版本1.19.5与TF 2.7.0搭配使用。

libclang 9.0.1

TensorFlow 2.7.0依赖于libclang 9.0.1。Debian 10没有可用的发行版。这就是为什么只有针对Debian 11（Bullseye）的TensorFlow 2.7安装。您可能可以从头开始在您的Buster RPi上安装libclang 9.0.1，然后才能安装TensorFlow。请注意，clang的构建需要巨大的资源，超过5GB。最好切换到Bullseye，并在半小时内让TensorFlow运行起来。

Protobuffer 4.21

Protobuffer的最新版本4.21.0相比之前的版本3.20.1有了一些显著的改进。但是，TensorFlow尚不支持这些更改。为了让TensorFlow正常工作，如果您安装了4.21，则需要将您的Protobuf降级到3.20版本。

有关如何降级的更多信息，可以在我们的GitHub页面上找到。

filesystem

除了tensorflow-io-gcs文件系统外，所有依赖项都可以通过一个命令安装。由于没有针对aarch64机器的发行版，我们必须从头开始构建tensorflow-io-gcs文件系统。整个过程可以在下面找到，并且应该在安装TensorFlow本身之前完成。如果您让TensorFlow安装io-gcs，它将选择错误的版本并且无法工作。

# 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==3.20.0Method 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 ~

TensorFlow Python 3.9的wheel文件

TensorFlow是由名为Bazel的Google软件安装程序安装的。最后，Bazel会生成一个wheel文件来安装TensorFlow的Python版本，或者当涉及到安装C++版本时，会生成一个tarball文件。这两种方法都是Raspberry Pi用户所熟知的。我们已经将Bazel的结果发布在我们的GitHub页面上。请随意使用这些wheel文件。从头到尾整个TensorFlow安装过程需要数小时（Python版约为64小时，C++库版约为1小时）。由于所有繁琐的工作都已经完成，因此在您的Raspberry 64位Bullseye上安装TensorFlow只需要几分钟。对于顽固分子，本手册后面将介绍完整的过程。

整个快捷方式过程如下。由于wheel文件太大，无法存储在GitHub上，因此使用了Google Drive。

TensorFlow 2.14.0

# install TensorFlow 2.14.0$ sudo -H pip3 install --upgrade tensorflow==2.14.0

TensorFlow 2.13.0

# install TensorFlow 2.13.0$ sudo -H pip3 install --upgrade tensorflow==2.13.0

TensorFlow 2.12.0

# install TensorFlow 2.12.0$ sudo -H pip3 install --upgrade tensorflow==2.12.0

TensorFlow 2.11.0

# install TensorFlow 2.11.0$ sudo -H pip3 install --upgrade tensorflow==2.11.0

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.whl

TensorFlow 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.whl

TensorFlow 2.8.1

# 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.whl

TensorFlow 2.7.0

# utmost important: useonly 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

当安装成功时，您应该会看到以下屏幕截图。

TensorFlow C++ API.

如果您打算用C++编程，您将需要TensorFlow的C++ API构建版本，而不是Python版本。从我们的GitHub页面使用预构建的tarball文件来安装C++库可以为您节省大量时间。请按照以下步骤操作。

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.gz

TensorFlow 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.gz

TensorFlow 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.gz

TensorFlow 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

最终，您的TensorFlow库应该会安装在/usr/local/lib位置，而头文件则会位于/usr/local/include/tensorflow/c文件夹中。

从零开始的安装

针对TensorFlow 2.14及以上版本

https://qengineering.eu/install-tensorflow-on-raspberry-pi-5.html内存交换空间大小

构建完整的TensorFlow包需要超过6GB的内存。如果你有一台配备8GB内存的Raspberry Pi 4，那么你可以轻松应对。否则，请确保增加交换空间大小以满足这一需求。如果你的设备有4GB内存，zram可以提供额外的2GB空间。而如果只有2GB内存，则无法再依赖zram实现超过2倍的压缩。在这种情况下，你需要重新安装dphys-swapfile以从SD卡获取额外空间。如果你需要安装dphys-swapfile，请按照以下命令操作。在Bullseye操作系统上设置交换空间时，重启过程可能需要较长时间。

# 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，你应该会看到类似下面的内容。

图中所示为dphys-swapfile和zram分配的交换空间总量。完成后，请不要忘记删除dphys-swapfile。

注意：如果你同时启用了zram和dphys-swapfile来重启Raspberry Pi，zram会在启动时禁用dphys-swapfile。你必须手动重新激活此服务。

# 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 start

Bazel

Bazel是Google提供的一款免费软件工具，用于自动构建和测试软件包。你可以将其与OpenCV使用的CMake进行比较，但后者仅用于构建软件，不具备测试功能。Bazel是用Java编写的，这是一种与平台无关的语言，在语法上很大程度上基于C++。要编译Bazel，我们首先需要安装Java和一些其他依赖项，使用以下命令。

# 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，我们可以下载并解压Bazel软件。TensorFlow 2.10需要Bazel 5.1.1版本，因此请确保你安装了正确的版本。

$ 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

在安装过程中，Bazel会使用预定比例的可用工作内存。由于Raspberry Pi的RAM大小有限，这个比例太小。为防止崩溃，我们必须将此内存大小设置为板载RAM的最大40%。例如，对于2GB RAM的Raspberry Pi，应设置为800MB。这可以通过向脚本文件compile.sh添加一些额外信息来实现。你可以在以run..（大约第144行）开头的行中添加文本-J-Xmx800M。见下面的屏幕截图。使用常见的、、保存更改（见上面的幻灯片）。

$nano scripts/bootstrap/compile.sh -c

一旦Bazel的Java环境被最大化，你就可以使用下面的命令开始构建Bazel软件。完成后，将二进制文件复制到/usr/local/bin位置，以便bash可以在任何地方找到可执行文件。最后一步是删除zip文件。整个构建过程大约需要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

安装 TensorFlow for Python 3Bazel运行正常后，我们就可以开始在我们的64位Raspberry Pi上为Python 3构建TensorFlow 2.10.0了。这几乎已成为标准做法。首先，安装一些依赖项，然后从GitHub下载zip文件，最后解压软件。你还必须安装tensorflow_io_gcs文件系统。这可以通过使用我们从GitHub存储库中获取的预编译wheel文件来完成。

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$ ./configure

TensorFlow 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$ ./configure

TensorFlow 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$ ./configure

TensorFlow 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

在构建Python 3安装wheel之前的最后一步是使用一些环境变量配置你的构建。这是通过./configure脚本文件完成的。将Python 3设置为默认的Python版本，并对其他问题回答“否”。

pi@raspberrypi:~/tensorflow-2.10.0 $ ./configureYou have bazel 5.1.1- (@non-git) installed.Please specify the location of python. [Default is /usr/bin/python3]:
Found possible Python library paths: /usr/lib/python3/dist-packages /usr/local/lib/python3.9/dist-packagesPlease input the desired Python library path to use. Default is [/usr/lib/python3/dist-packages]
Do you wish to build TensorFlow with ROCm support? [y/N]: nNo ROCm support will be enabled for TensorFlow.
Do you wish to build TensorFlow with CUDA support? [y/N]: nNo CUDA support will be enabled for TensorFlow.
Do you wish to download a fresh release of clang? (Experimental) [y/N]: nClang will not be downloaded.
Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -Wno-sign-compare]:
Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: nNot 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

现在脚本文件已经设置完毕，可以开始执行大规模的构建，使用下面的命令。-Xmx1624m设置了 Bazel 运行的 Java 环境的内存大小。尽可能给它分配更多的空间。我们建议分配你 Raspberry Pi 内存大小的 80%。在我们的例子中，板载内存为 2 Gbyte，所以 1624 Mbyte 除了 Bazel 之外，还能为其他线程留下足够的空间。

另一个要点是 Basel 使用的核心数。最好使用一个核心。宁愿稍微慢一些也不要崩溃（总是在最后关头）然后重新开始。

在构建过程中关闭所有其他应用程序。运行的其他进程越少，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

编译 41 小时（或更长时间！）后，希望您能看到以下屏幕。

现在我们需要生成 wheel 文件并安装它。这可以通过下面的命令来完成。安装过程大约只需要几分钟。

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.whl

TensorFlow 2.9.1

TensorFlow 2.8.0

TensorFlow 2.7.0

安装 TensorFlow C++ API

如前所述，你可以通过访问我们 GitHub 页面上的 tarball 文件来快速安装 TensorFlow C++ API，无需经历冗长的安装过程。对于那些想要自己构建 API 的人，以下是安装指南。

首先，如果尚未安装 Bazel，请进行安装。该过程也在上文中有描述。一旦 Bazel 运行正常，你可以安装依赖项并下载 TensorFlow（如果之前为 Python 3 安装时未做这些操作）。

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$ ./configure

TensorFlow 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 2.9.1$ wget -O tensorflow.zip https://github.com/tensorflow/tensorflow/archive/v2.9.1.zip# unpack the folder$ unzip tensorflow.zip$ cd tensorflow-2.9.1$ ./configure

TensorFlow 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$ ./configure

TensorFlow 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

再次，在实际构建开始之前，我们需要配置 Bazel。尽管我们要构建的是 C++ API，但 Bazel 脚本文件需要将 Python 3 设置为默认 Python 版本，并对其他所有问题回答“否”。一旦脚本文件中的所有问题都得到回答，你将得到与上面相同的输出屏幕。

最后一步是带有选项的命令行。这几乎与之前使用的命令相同。这里最重要的是--config=monolithic标志。没有这个指令，TensorFlow 将无法与 OpenCV 一起工作（反之亦然）。就像 pip 编译一样，Java 环境的内存（-Xmx1624m）需要最大化到 Raspberry Pi 板载内存的 80%。最后一行指示的是 tarball 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

经过漫长的 12 小时等待后，希望你会看到下面的屏幕。