随着Tensorflow1.9的推出，更多的模块和库加入到tensorflow中，使其在工业化使用中更进一步，下面简要梳理一下：

图片链接

　　TensorRT是Nvdia推出的专门针对部署阶段进行加速的驱动，可用于加速模型推断，提供C++和Python接口，支持tensorflow和caffe框架，目前最新版本是4.0。

1. 安装

　　我的环境是ubuntu Server 16 , anaconda3.6(官方推荐的python版本是2.7或3.5)，CUDA9.0+cuDNN7.1（必要）。

　　首先下载TensorRT4.0的安装包，我选择的是基于cuda9.0的tar格式安装包。

　　解压文件：

 tar -xzvf TensorRT-4.0.1.6.Ubuntu-16.04.4.x86_64-gnu.cuda-9.0.cudnn7.1.tar.gz

修改本地环境变量：

 vim ~/.bashrc

　　添加 :

export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:~/TensorRT-4.0.1.6/lib:/usr/local/cuda-9.0/lib64"

刷新生效：

 source ~/.bashrc

　　然后安装python库：

cd ~/TensorRT-4.0.0.16/python 
pip install tensorrt-4.0.0.16-cp35-cp35mu-linux_x86_64.whl

　　如果无法安装，请把文件名修改为:tensorrt-4.0.0.16-cp36-cp36mu-linux_x86_64.whl

　　用同样的方法安装UFF，graphsurgeon的python安装包

   cd ~/TensorRT-4.0.1.6/uff
   cd ~/TensorRT-4.0.1.6/graphsurgeon

　　import tensorrt as trt 测试python版本安装是否正确。由于是python3.6版本的，所以会无法导入某些包。我的处理办法是修改库目录的.so文件名：

cd ~/anaconda3/lib/python3.6/site-packages/tensorrt

　　搜索.so文件，将例如_nv_utils_bindings.cpython-35m-x86_64-linux-gnu.so修改为_nv_utils_bindings.cpython-36m-x86_64-linux-gnu.so即可解决问题。

　　最后测试C++接口：

cd ~/TensorRT-4.0.1.6/targets/x86_64-linux-gnu/samples/sampleMNIST
make CUDA_INSTALL_DIR=/usr/local/cuda
cd ~/TensorRT-4.0.0.16/bin
./sample_mnist

　　输出：

　　到此TensorRT安装成功。

官方文档：https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html

工业中面临的常常是庞大的数据计算量，采用单一的tensorflow不能完全解决问题，需要结合hadoop，kafka，GPU，C++ 来进行加速和搭建系统。官方的whl安装包不能满足系统要求，通过源码编译安装来加快运行速度。

在此前请先搭建hadoop环境，安装bazel，我的环境 Ubuntu18.04，python3，hadoop2.7

一. 编译本地tensorflow安装包

1.clone tensorflow源代码到本地

2.进入 tensorflow目录下目录下 执行 ./configure

　　在企业的实际开发部署环境中，docker作为一种虚拟化工具，不仅提供了快速测试，部署的环境，还可用于分布式开发，因此被广泛采用。这里验证了一种最小化的高可用分布式解决方案以应对实际部署中的问题，最小化服务器宕机带来的危害。 　　 　　

　　设备：4台Centos7服务器,设计如下：

tensorflow可以通过tensorboard来可视化结果，自带的可视化界面是其它框架没有的。 安装好tensorflow后指定日志文件夹，输入

tensorboard --logdir=C:/Users/Administrator/Desktop/test/log