TensorFlow图像识别教程执行报错：无目标文件且Bazel目录为空

我之前跟着官方教程走的时候也踩过这个坑，大概率是TensorFlow版本迭代后，示例的目录结构、构建规则或者分支匹配出了问题。下面是几个亲测有效的解决思路：

1. 先确认你克隆的TensorFlow仓库分支是否匹配教程版本 #

不同版本的TensorFlow对示例的存放位置和构建方式差异很大：

• 如果教程是针对TensorFlow 1.x的，你现在克隆的可能是2.x的主分支，这时候label_image的C++示例要么被移走了，要么构建规则改了。建议切换到对应1.x的稳定分支，比如：

  git checkout r1.15
  

• 要是你用的是2.x版本，官方已经把图像识别的示例迁移到TensorFlow Lite的目录下了，你可以去tensorflow/examples/lite/examples/image_classification路径下找对应的代码，构建命令也会和原来不一样。

2. 检查Bazel构建命令的目标是否正确 #

原来教程里的bazel build tensorflow/examples/label_image:label_image命令失效，很大可能是目标路径或名称变了：

• 先在仓库里搜一下label_image相关的BUILD文件，比如用find . -name "BUILD" -exec grep -l "label_image" {} \;，找到对应的目录后，再看BUILD文件里定义的目标名（比如cc_binary的name字段），然后调整构建命令。
• 如果搜不到对应的BUILD文件，说明这个C++示例已经被官方移除或者重构了，这时候没必要死磕Bazel编译。

3. 换用更简单的Python版本替代方案 #

如果只是想完成图像识别的功能，完全可以跳过Bazel编译的步骤，直接用TensorFlow的Python API快速实现：

import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50, preprocess_input, decode_predictions
import numpy as np
from PIL import Image

# 加载预训练的ResNet50模型
model = ResNet50(weights='imagenet')
# 加载并预处理你的图片
img = Image.open("your_test_image.jpg").resize((224, 224))
img_array = np.array(img)
img_array = np.expand_dims(img_array, axis=0)
img_array = preprocess_input(img_array)

# 预测并输出结果
predictions = model.predict(img_array)
print("识别结果：", decode_predictions(predictions, top=3)[0])

这个方法只需要你安装好TensorFlow和Pillow，直接运行脚本就能出结果，比编译C++版本省心多了。

4. 清理Bazel缓存后重试 #

有时候Bazel的缓存会导致奇怪的问题，你可以先彻底清理缓存再重新构建：

bazel clean --expunge

然后再重新执行构建命令，看看能不能找到目标。

内容的提问来源于stack exchange，提问作者ATomas