介紹

本頁面將指導您在搭載64位Bullseye操作系統的Raspberry Pi 4上安裝TensorFlow。

TensorFlow是一個專為深度學習開發的大型軟件庫，它消耗大量資源。您可以在Raspberry Pi 4上運行TensorFlow，但不要期望有奇跡般的表現。如果模型不太復雜，它可以運行您的模型，但無法訓練新模型，也無法執行所謂的遷移學習。除了運行您預先構建的深度學習模型外，您還可以使用該庫將所謂的凍結TensorFlow模型轉換為TensorFlow Lite平面緩沖區模型。

如果您只想對深度學習有個初步了解，請考慮安裝TensorFlow Lite。它速度更快，使用的資源更少，因為它是為Raspberry Pi這樣的小型計算機設計的。您可以使用許多現成的模型。有關在64位Raspberry Pi上安裝的指南，請參閱此處。

路線圖

TensorFlow不斷發展壯大。每個新版本都需要更多的資源、支持軟件和庫。它給您的Raspberry Pi帶來了越來越重的負擔。這就解釋了為什么最新版本在搭載“過時”操作系統的“舊”Raspberry Pi上運行不佳。

另一方面，不建議在最新的Bullseye上安裝非常舊的TensorFlow版本。您將不得不降級一些系統庫，這將導致其他軟件無法正常工作。這里的座右銘是：“隨波逐流”。

以下是概覽。綠色勾選標記表示有可用的wheel文件。空綠色框表示沒有wheel文件，但仍然可以安裝。灰色框表示硬件或軟件限制，不允許進行“正常”安裝。

提示

我們經常收到詢問，是否有預裝了框架和深度學習示例的Raspberry Pi 4的SD卡鏡像。我們很高興滿足這一要求。請在我們的GitHub頁面上找到專用于深度學習的完整工作Raspberry Pi 4。從我們的GDrive網站下載zip文件，解壓并將鏡像刷入32GB的SD卡，然后盡情享受吧！

我們討論了兩種安裝，一種是針對Python 3的，另一種是針對C++ API庫的。不幸的是，對于2.7、2.6或2.5版本，沒有官方的aarch64 pip3 wheel文件可用。但是，我們使用Bazel創建了wheel文件，并將其放在GitHub上供您使用。

本指南的最后部分討論了Keras的安裝。

準備

Numpy

TensorFlow與最新版本的numpy遇到了問題。將TensorFlow移植到numpy 1.20成為了一項真正的挑戰。現在，隨著TensorFlow版本2.8.0的發布，它終于成功了。最后，在安裝TensorFlow時，再也沒有numpy版本沖突了。

但是，TensorFlow 2.7.0仍然報告了一些問題。為了確保一切正常，請使用numpy版本1.19.5與TF 2.7.0搭配使用。

libclang 9.0.1

TensorFlow 2.7.0依賴于libclang 9.0.1。Debian 10沒有可用的發行版。這就是為什么只有針對Debian 11（Bullseye）的TensorFlow 2.7安裝。您可能可以從頭開始在您的Buster RPi上安裝libclang 9.0.1，然后才能安裝TensorFlow。請注意，clang的構建需要巨大的資源，超過5GB。最好切換到Bullseye，并在半小時內讓TensorFlow運行起來。

Protobuffer 4.21

Protobuffer的最新版本4.21.0相比之前的版本3.20.1有了一些顯著的改進。但是，TensorFlow尚不支持這些更改。為了讓TensorFlow正常工作，如果您安裝了4.21，則需要將您的Protobuf降級到3.20版本。

有關如何降級的更多信息，可以在我們的GitHub頁面上找到。

filesystem

除了tensorflow-io-gcs文件系統外，所有依賴項都可以通過一個命令安裝。由于沒有針對aarch64機器的發行版，我們必須從頭開始構建tensorflow-io-gcs文件系統。整個過程可以在下面找到，并且應該在安裝TensorFlow本身之前完成。如果您讓TensorFlow安裝io-gcs，它將選擇錯誤的版本并且無法工作。

# 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是由名為Bazel的Google軟件安裝程序安裝的。最后，Bazel會生成一個wheel文件來安裝TensorFlow的Python版本，或者當涉及到安裝C++版本時，會生成一個tarball文件。這兩種方法都是Raspberry Pi用戶所熟知的。我們已經將Bazel的結果發布在我們的GitHub頁面上。請隨意使用這些wheel文件。從頭到尾整個TensorFlow安裝過程需要數小時（Python版約為64小時，C++庫版約為1小時）。由于所有繁瑣的工作都已經完成，因此在您的Raspberry 64位Bullseye上安裝TensorFlow只需要幾分鐘。對于頑固分子，本手冊后面將介紹完整的過程。

整個快捷方式過程如下。由于wheel文件太大，無法存儲在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

當安裝成功時，您應該會看到以下屏幕截圖。

TensorFlow C++ API.

如果您打算用C++編程，您將需要TensorFlow的C++ API構建版本，而不是Python版本。從我們的GitHub頁面使用預構建的tarball文件來安裝C++庫可以為您節省大量時間。請按照以下步驟操作。

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

最終，您的TensorFlow庫應該會安裝在/usr/local/lib位置，而頭文件則會位于/usr/local/include/tensorflow/c文件夾中。

從零開始的安裝

針對TensorFlow 2.14及以上版本

https://qengineering.eu/install-tensorflow-on-raspberry-pi-5.html內存交換空間大小

構建完整的TensorFlow包需要超過6GB的內存。如果你有一臺配備8GB內存的Raspberry Pi 4，那么你可以輕松應對。否則，請確保增加交換空間大小以滿足這一需求。如果你的設備有4GB內存，zram可以提供額外的2GB空間。而如果只有2GB內存，則無法再依賴zram實現超過2倍的壓縮。在這種情況下，你需要重新安裝dphys-swapfile以從SD卡獲取額外空間。如果你需要安裝dphys-swapfile，請按照以下命令操作。在Bullseye操作系統上設置交換空間時，重啟過程可能需要較長時間。

# install dphys-swapfile
$ sudo apt-get install dphys-swapfile# give the required memory size$ sudo nano /etc/dphys-swapfile# reboot afterwards$ sudo reboot

如果一切順利，你應該會看到類似下面的內容。

圖中所示為dphys-swapfile和zram分配的交換空間總量。完成后，請不要忘記刪除dphys-swapfile。

注意：如果你同時啟用了zram和dphys-swapfile來重啟Raspberry Pi，zram會在啟動時禁用dphys-swapfile。你必須手動重新激活此服務。

# 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提供的一款免費軟件工具，用于自動構建和測試軟件包。你可以將其與OpenCV使用的CMake進行比較，但后者僅用于構建軟件，不具備測試功能。Bazel是用Java編寫的，這是一種與平臺無關的語言，在語法上很大程度上基于C++。要編譯Bazel，我們首先需要安裝Java和一些其他依賴項，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

接下來，我們可以下載并解壓Bazel軟件。TensorFlow 2.10需要Bazel 5.1.1版本，因此請確保你安裝了正確的版本。

$ 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

在安裝過程中，Bazel會使用預定比例的可用工作內存。由于Raspberry Pi的RAM大小有限，這個比例太小。為防止崩潰，我們必須將此內存大小設置為板載RAM的最大40%。例如，對于2GB RAM的Raspberry Pi，應設置為800MB。這可以通過向腳本文件compile.sh添加一些額外信息來實現。你可以在以run..（大約第144行）開頭的行中添加文本-J-Xmx800M。見下面的屏幕截圖。使用常見的、、保存更改（見上面的幻燈片）。

$nano scripts/bootstrap/compile.sh -c

一旦Bazel的Java環境被最大化，你就可以使用下面的命令開始構建Bazel軟件。完成后，將二進制文件復制到/usr/local/bin位置，以便bash可以在任何地方找到可執行文件。最后一步是刪除zip文件。整個構建過程大約需要33分鐘。

# 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

安裝 TensorFlow for Python 3Bazel運行正常后，我們就可以開始在我們的64位Raspberry Pi上為Python 3構建TensorFlow 2.10.0了。這幾乎已成為標準做法。首先，安裝一些依賴項，然后從GitHub下載zip文件，最后解壓軟件。你還必須安裝tensorflow_io_gcs文件系統。這可以通過使用我們從GitHub存儲庫中獲取的預編譯wheel文件來完成。

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

在構建Python 3安裝wheel之前的最后一步是使用一些環境變量配置你的構建。這是通過./configure腳本文件完成的。將Python 3設置為默認的Python版本，并對其他問題回答“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

現在腳本文件已經設置完畢，可以開始執行大規模的構建，使用下面的命令。-Xmx1624m設置了 Bazel 運行的 Java 環境的內存大小。盡可能給它分配更多的空間。我們建議分配你 Raspberry Pi 內存大小的 80%。在我們的例子中，板載內存為 2 Gbyte，所以 1624 Mbyte 除了 Bazel 之外，還能為其他線程留下足夠的空間。

另一個要點是 Basel 使用的核心數。最好使用一個核心。寧愿稍微慢一些也不要崩潰（總是在最后關頭）然后重新開始。

在構建過程中關閉所有其他應用程序。運行的其他進程越少，編譯速度就越快。

$ 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

編譯 41 小時（或更長時間！）后，希望您能看到以下屏幕。

現在我們需要生成 wheel 文件并安裝它。這可以通過下面的命令來完成。安裝過程大約只需要幾分鐘。

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

# 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.whl

TensorFlow 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.whl

TensorFlow 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

安裝 TensorFlow C++ API

如前所述，你可以通過訪問我們 GitHub 頁面上的 tarball 文件來快速安裝 TensorFlow C++ API，無需經歷冗長的安裝過程。對于那些想要自己構建 API 的人，以下是安裝指南。

首先，如果尚未安裝 Bazel，請進行安裝。該過程也在上文中有描述。一旦 Bazel 運行正常，你可以安裝依賴項并下載 TensorFlow（如果之前為 Python 3 安裝時未做這些操作）。

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，在實際構建開始之前，我們需要配置 Bazel。盡管我們要構建的是 C++ API，但 Bazel 腳本文件需要將 Python 3 設置為默認 Python 版本，并對其他所有問題回答“否”。一旦腳本文件中的所有問題都得到回答，你將得到與上面相同的輸出屏幕。

最后一步是帶有選項的命令行。這幾乎與之前使用的命令相同。這里最重要的是--config=monolithic標志。沒有這個指令，TensorFlow 將無法與 OpenCV 一起工作（反之亦然）。就像 pip 編譯一樣，Java 環境的內存（-Xmx1624m）需要最大化到 Raspberry Pi 板載內存的 80%。最后一行指示的是 tarball 庫構建，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

經過漫長的 12 小時等待后，希望你會看到下面的屏幕。

最后一步是安裝 tarball。這可以通過下面的命令來完成。

# clean up the whole bazel cache$ sudo rm -rf ~/.cache/bazel

安裝完成后，你必須擁有與本頁開頭所示相同的文件夾（/usr/local/lib 和 /usr/local/include/tensorflow/c）。

清理

成功安裝后，許多文件將不再需要。由 bazel 生成的中間目標文件大約占用了你磁盤上的 6 GB 空間。刪除這些文件不會對系統造成任何損害。

# clean up the whole bazel cache$ sudo rm -rf ~/.cache/bazel

如果你之前重新安裝過 dphys-swapfile，現在是時候再次卸載它了。這樣做可以延長你 SD 卡的壽命。

#removethedphys-swapfile(ifinstalled)$ sudo /etc/init.d/dphys-swapfile stop$ sudo apt-get remove --purge dphys-swapfile

在 Raspberry Pi 64 操作系統上安裝 Keras

安裝完 TensorFlow 后，您可以加載 Keras。Keras 是在 TensorFlow 基礎上運行的高級外殼。它聲稱比 TensorFlow 更方便用戶使用，提供了一套更直觀的抽象概念，可以輕松開發深度學習模型。安裝只需一條命令。

$ pip3 install keras