PyInstaller打包TensorFlow项目缺依赖、跨设备运行失败及体积过大如何解决

一、运行报错与依赖缺失修复 #

首先清理之前的打包缓存：删除项目根目录下的build、dist文件夹和所有.spec文件，避免旧缓存干扰。

1. 修复Hidden Import与动态库缺失问题
   首次运行打包命令生成spec文件：
   pyinstaller Sector_Risk_Prediction_Application.pyw
   打开生成的.spec文件，替换开头内容为以下代码，自动收集TensorFlow和Torch的所有子模块与动态依赖：

from PyInstaller.utils.hooks import collect_submodules, collect_dynamic_libs

# 收集所有tensorflow子模块，避免隐藏导入报错
tf_submodules = collect_submodules('tensorflow')
# 收集所有torch子模块
torch_submodules = collect_submodules('torch')
# 补充报错中明确缺失的模块
extra_imports = [
    'tensorflow._api.v2.compat.keras',
    'tensorflow._api.v2.compat.estimator'
    # 可按实际报错补充其他缺失模块
]
hiddenimports = tf_submodules + torch_submodules + extra_imports

# 收集缺失的动态库文件，解决lib not found报错
tf_binaries = collect_dynamic_libs('tensorflow')
torch_binaries = collect_dynamic_libs('torch')
binaries = tf_binaries + torch_binaries

后续打包统一使用spec文件执行命令：
pyinstaller Sector_Risk_Prediction_Application.spec

2. 修复AlreadyExistsError报错
   该报错由TensorFlow打包后模块重复导入导致，在你项目代码的最开头添加以下配置：

import os
# 屏蔽TensorFlow冗余日志
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '3'
import tensorflow as tf
# 关闭重复命名检查
tf.compat.v1.disable_eager_execution()
# 若有自定义评估指标，统一加唯一前缀避免重名

二、打包体积大幅压缩方案 #

原有6G体积主要是完整TensorFlow、Torch包包含大量冗余组件，按以下步骤优化后可压缩到1G以内：

• 仅在干净的虚拟环境中打包：虚拟环境内只安装项目运行必须的依赖，若无需GPU运行，直接安装tensorflow-cpu和torchCPU版本，替换体积庞大的GPU完整版，可直接减少3-4G体积。
• 打包时添加排除参数，剔除无用组件：
  pyinstaller --exclude-module tensorflow.estimator --exclude-module tensorboard --exclude-module torch.distributions --exclude-module tests --exclude-module examples Sector_Risk_Prediction_Application.spec
• 接入UPX压缩：下载UPX工具后，打包时添加--upx-dir 【UPX解压目录路径】参数，可再压缩30%-50%的最终体积。

三、轻量安装包制作方案 #

如果不想使用全量绿色打包，可以制作依赖按需安装的轻量安装包，体积可控制在100MB以内：

1. 将你的项目代码打包为wheel包，编写一键启动脚本，脚本逻辑为：检测本机Python环境是否符合要求，不存在则提示安装；自动安装项目所需的tensorflow、torch等依赖后启动程序。
2. 使用Inno Setup或者NSIS工具，将项目代码、启动脚本打包为exe安装包，用户安装时仅需按照提示操作即可，无需手动配置环境。

内容的提问来源于stack exchange，提问作者Chinmay Datar