XLA 如何用 Bazel 从源码构建并配置 CUDA 后端？
【免费下载链接】tensorflowAn Open Source Machine Learning Framework for Everyone项目地址: https://gitcode.com/GitHub_Trending/te/tensorflow
XLA（Accelerated Linear Algebra）是 TensorFlow 仓库中以独立仓库形式内置的机器学习编译器，源码位于third_party/xla/目录下。如果你的任务是修改编译器本身、调试 XLA 集成，或者需要一个带 CUDA 后端可执行文件（例如hlo_runner_main）的开发环境，就需要从源码构建 XLA 的 GPU 目标。本文基于仓库内的 build_from_source.md 与 developer_guide.md，给出在 Linux 上用 Bazel 构建 XLA 并配置 CUDA 后端（--backend=CUDA）的完整操作路径，包括无 GPU 机器上交叉构建的方法。
开始前先明确适用前提：
- 文档中所有命令都假定你在 XLA 仓库根目录（独立 checkout 的
xla/目录，即本仓库中的third_party/xla/）执行，./configure.py、bazel build均以该目录为起点； - 构建依赖 Bazel。推荐的安装方式是通过 Bazelisk 自动下载 XLA 要求的 Bazel 版本；Bazelisk 不可用时再手动安装 Bazel。Bazel 版本由仓库根目录的
.bazelversion文件声明（third_party/xla/.bazelversion），仓库已启用 bzlmod（见 third_party/xla/.bazelrc 中的common --enable_bzlmod --noenable_workspace）； - GPU 构建依赖 Docker（推荐路径），且镜像
us-docker.pkg.dev/ml-oss-artifacts-published/ml-public-container/ml-build:latest已预装 Clang 18——这正是 XLA 在 CI 中使用的编译器版本。
启动 ml-build 容器并让容器访问 GPU
文档推荐直接用 XLA CI 使用的 ml-build 镜像。启动容器并授予全部 GPU 访问权限：
docker run -itd --rm \ --gpus all \ --name xla_gpu \ -w /xla \ -v $PWD:/xla \ us-docker.pkg.dev/ml-oss-artifacts-published/ml-public-container/ml-build:latest \ bash这条命令的副作用说明：它创建一个名为xla_gpu的容器并把当前目录挂载为/xla（-v $PWD:/xla，请在本机 XLA 仓库根目录执行）；--gpus all让容器内可自动探测 CUDA compute capabilities，因此需要宿主机装有 NVIDIA 驱动且 GPU 可用。如果你后续要改用 CPU 配置构建，用的是不带--gpus all的普通容器（文档中容器名为xla）。
配置 CUDA 后端
在容器内运行配置脚本，指定 CUDA 后端：
docker exec xla_gpu ./configure.py --backend=CUDA./configure.py（实际脚本为 build_tools/configure/configure.py，仓库根目录的入口是它的符号链接）负责把编译器路径、CUDA 版本、compute capabilities 等信息写入仓库中的xla_configure.bazelrc，再由 Bazel 加载（third_party/xla/.bazelrc 最后一行try-import %workspace%/xla_configure.bazelrc）。配置时的关键行为：
- 带 GPU 的机器上，compute capabilities 通过
nvidia-smi --query-gpu=compute_cap自动探测； - 不带 GPU 的机器上探测必然失败，此时必须手动传参，文档给出的示例：
docker exec xla_gpu ./configure.py --backend=CUDA \ --cuda_compute_capabilities="9.0"同时不要在启动容器时使用--gpus all。文档中的"9.0"只是示例值，应按你目标 GPU 的实际 compute capability 替换，不能照抄。
脚本还支持若干可选参数（详见 configure.py 的参数定义）：--cuda_version/--cudnn_version设置后由 Bazel 下载对应版本；--local_cuda_path/--local_cudnn_path/--local_nccl_path指向本机目录；--cuda_compiler可选nvcc（默认）或clang；--nccl开启后不加nonccl配置，否则生成的 bazelrc 默认包含build --config nonccl，即不含 NCCL。
执行 Bazel 构建
配置完成后构建全部 XLA 目标：
docker exec xla_gpu bazel build \ --spawn_strategy=sandboxed \ --test_output=all \ //xla/...--spawn_strategy=sandboxed指定 Bazel 的动作执行沙箱策略；--test_output=all使测试输出完整打印。文档明确提示：首次构建耗时很长，因为要构建整条技术栈，包括 XLA、MLIR 和 StableHLO——构建期间没有输出不代表卡死，耐心等待即可。
构建以 Bazel 的成功结论收尾即为完成：所有//xla/...目标编译、链接通过，输出 Bazel 的 "Build completed successfully"。注意这条命令构建的是全部目标，不是某个单独的二进制；如果你的最终目的是某个具体产物（如hlo_runner_main），可直接只构建该目标（见下文 JAX 容器路径中的示例）。
可选路径：不用 Docker 直接构建 CUDA
文档说明，得益于 hermetic CUDA rules，可以在不装 Docker 的情况下直接在本机构建 XLA 的 GPU 目标——即使这台机器没有 GPU、没有 NVIDIA 驱动：
./configure.py --backend=CUDA bazel build \ --spawn_strategy=sandboxed \ --test_output=all \ //xla/...无 GPU 时同样要手动指定 compute capabilities：
./configure.py --backend=CUDA --cuda_compute_capabilities="9.0"文档同时说明：不走 Docker 构建 XLA 目标需要本机安装 Clang（CI 使用 Clang 18，更早版本"should also work"，原文未承诺全部旧版本兼容）。另外在 Linux 上 CUDA 后端属于 hermetic 构建，编译器默认走rules_ml_toolchain提供的 hermetic Clang 18，./configure.py会在找不到本地 Clang 时按 hermetic 工具链处理（见 configure.py 中is_hermetic_build与 hermetic 版本逻辑）。
可选路径：在 JAX CI 容器内构建 XLA 的 CUDA 目标
如果你的目标是让 XLA 目标的构建配置与 JAX/XLA 发行版保持一致（例如用 XLA 工具复现 JAX 中产生的 workload），build_from_source.md 给出了基于 JAX CI/Release 容器的完整流程：
- 克隆 JAX 仓库并进入
jax目录，运行./ci/utilities/run_docker_container.sh启动名为jax的容器（该脚本属于 JAX 仓库，不在本仓库内）； - 容器内构建
jax-cuda-plugin目标：docker exec jax ./ci/build_artifacts.sh jax-cuda-plugin，此步骤会生成带 CUDA/cuDNN 支持所需的构建配置（.jax_configure.bazelrc）； - 进入容器交互 shell：
docker exec -ti jax /bin/bash（此时位于容器内/jax目录）； - 构建 XLA 目标，文档给出的示例目标：
/usr/local/bin/bazel build \ --config=cuda_libraries_from_stubs \ --verbose_failures=true \ @xla//xla/tools/multihost_hlo_runner:hlo_runner_main需要覆盖 hermetic 环境变量时追加，例如--repo_env=HERMETIC_CUDA_COMPUTE_CAPABILITIES="sm_90"；
- 产物拷回宿主机：
cp bazel-bin/external/xla/xla/tools/multihost_hlo_runner/hlo_runner_main ./dist/，然后exit退出容器。
这条路径的产物是hlo_runner_main可执行文件，可用于运行 HLO workload。
验证与已知限制
文档没有给出独立的构建后检查命令，验证方式就是 Bazel 构建本身：//xla/...（或你指定的目标）全部编译链接成功，且带--test_output=all时相关测试输出打印完整。构建失败时优先看 Bazel 报告的最后一条 action 错误；--verbose_failures=true（JAX 容器路径中已带上）会给出更详细的失败信息。
已知限制，均来自源文档：
- 无 GPU 机器：可以构建 CUDA 目标，但启动容器时不能带
--gpus all，且./configure.py阶段必须手动传--cuda_compute_capabilities； - Windows 不支持直接构建 CUDA：文档明确 XLA 在 Windows 上原生构建是 CPU-only 的，需要 CUDA 支持必须使用 WSL2；
- 首次构建耗时：整栈（XLA、MLIR、StableHLO）从零构建，时间显著，这是预期行为而非故障；
- 仓库内的 third_party/xla/README.md 提醒：如果你只是用 XLA 编译 PyTorch / TensorFlow / JAX 项目，不需要克隆并构建此仓库，构建文档面向 XLA 贡献者和集成调试者。
需要继续深入了解构建产物用途（如 multihost hlo runner）时，可参考 tools_multihost_hlo_runner.md；构建环境的完整准备（克隆代码、Bazelisk 安装、Docker 配置）见 developer_guide.md。
【免费下载链接】tensorflowAn Open Source Machine Learning Framework for Everyone项目地址: https://gitcode.com/GitHub_Trending/te/tensorflow
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
