如何创建依赖动态TensorFlow DLL的静态库.lib并解决LNK2001错误

• 先验证所有库的编译参数一致性：确保TensorFlow库、A.lib、项目B三者的目标架构（x86/x64）、编译模式（Debug/Release）、运行库选项（/MT//MD//MTd//MDd）完全匹配，任意一项不匹配都会导致链接器忽略已放入检索目录的lib文件，抛出找不到定义的错误。参数可在项目属性>配置属性>常规、项目属性>配置属性>C/C++>代码生成中查看调整。
• 显式添加TensorFlow库到链接器输入：仅将lib放入检索目录不会触发自动链接，需要在项目属性>配置属性>链接器>输入>附加依赖项中，手动填写TensorFlow对应的lib文件名。
• 检查符号声明一致性：打开VS开发者命令提示符，用dumpbin /symbols A.lib查看A.lib中引用的TensorFlow函数符号，再用dumpbin /exports [TensorFlow的lib文件名]查看TensorFlow库导出的符号，若两者名称不匹配，需要在引用TensorFlow头文件的位置添加extern "C"修饰，避免C++名字修饰导致符号不对应。
• 确认A.lib的导出声明正确：若编译A.lib时用__declspec(dllexport)标记了导出函数，项目B引用A.h时需要对应添加__declspec(dllimport)修饰，可在A.h中通过条件编译宏统一处理两种场景的声明。
• 运行阶段需要将TensorFlow对应的dll文件放入项目B生成的exe同级目录，或添加到系统PATH路径中，避免运行时找不到依赖的报错。

• ONNX Runtime：将训练好的任意框架模型转为ONNX格式，直接调用ONNX Runtime的C API完成推理，官方提供Windows预编译包，无额外依赖，配置步骤远少于完整版TensorFlow，支持常见CNN模型的CPU/GPU加速。
• ncnn：腾讯开源的轻量级推理框架，提供C语言封装接口，编译后库体积极小，无第三方依赖，针对CPU做了大量指令集优化，CNN推理速度比通用TensorFlow高30%以上，非常适合端侧C语言场景部署。
• TensorFlow Lite Micro：如果部署的是轻量小模型，可使用裁剪后的TF Micro框架，纯C实现，库体积仅几十KB，不需要完整版TensorFlow的庞大依赖，适合资源受限的嵌入式/桌面端轻量推理场景。

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