3FS项目编译过程中解决folly依赖的libatomic问题
2025-05-26 20:45:13作者:虞亚竹Luna
问题背景
在编译deepseek-ai的3FS项目时,许多开发者遇到了一个与folly库相关的编译错误。错误信息显示CMake在配置阶段无法链接C++的std::atomic代码,并提示可能需要安装GNU libatomic库。这个问题在Linux系统上尤为常见,特别是使用较新版本的GCC或Clang编译器时。
错误现象分析
典型的错误输出如下:
-- Performing Test FOLLY_CPP_ATOMIC_BUILTIN - Failed
-- Performing Test FOLLY_CPP_ATOMIC_WITH_LIBATOMIC - Failed
CMake Error at third_party/folly/CMake/folly-deps.cmake:218 (message):
unable to link C++ std::atomic code: you may need to install GNU libatomic
这个错误发生在CMake的配置阶段,当项目尝试检测系统是否支持原子操作时。folly库(Facebook的开源C++库)需要原子操作支持,而现代C++程序通常通过std::atomic来实现这一点。
根本原因
- libatomic缺失:某些架构(特别是非x86架构)需要单独的libatomic库来实现原子操作
- 编译器配置问题:即使安装了libatomic,CMake可能仍然无法正确检测到它
- 误报情况:在某些x86架构上,编译器内置支持原子操作,但检测脚本仍然报错
解决方案
方法一:安装libatomic开发包
对于大多数Linux发行版,可以尝试安装libatomic的开发包:
# 基于RHEL/CentOS/Fedora系统
sudo yum install libatomic-devel
# 基于Debian/Ubuntu系统
sudo apt-get install libatomic1 libatomic-ops-dev
方法二:修改CMake检测逻辑
如果安装libatomic后问题仍然存在,可以修改folly的CMake检测逻辑。具体操作是注释掉报错的那行代码:
- 打开文件:
third_party/folly/CMake/folly-deps.cmake - 找到第218行附近的错误提示代码
- 将其注释掉或删除
这种方法虽然不够优雅,但在许多情况下可以绕过这个检测问题,因为现代x86架构通常已经内置了原子操作支持。
方法三:指定系统folly库
如果系统已经安装了folly库,可以通过CMake参数指定使用系统安装的版本:
cmake -DFOLLY_USE_SYSTEM=ON ...
技术原理深入
std::atomic是C++11引入的原子操作库,它提供了线程安全的原子操作。在不同的硬件架构上,其实现方式不同:
- x86/x64架构:通常由编译器内置支持,不需要额外库
- ARM/PowerPC等架构:可能需要libatomic库的支持
- 跨平台兼容性:folly库为了确保在所有平台上都能工作,会严格检测原子操作支持
预防措施
- 确保系统安装了完整的开发工具链
- 使用较新版本的CMake(3.10以上)
- 对于自定义编译环境,设置正确的工具链路径
- 考虑使用容器化编译环境确保一致性
总结
3FS项目依赖的folly库对原子操作有严格要求,这可能导致在某些系统配置下出现编译问题。通过理解问题的本质,开发者可以选择最适合自己环境的解决方案。对于大多数现代x86系统,方法二(修改检测逻辑)通常是安全且有效的临时解决方案,而长期解决方案应该是确保开发环境的完整性和正确性。
登录后查看全文
热门项目推荐
相关项目推荐
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0191
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0118
Step-3.7-FlashStep-3.7-Flash是一个拥有 1980 亿参数的稀疏混合专家(MoE)视觉语言模型,由 1960 亿参数的语言主干网络和 18 亿参数的视觉编码器组合而成,具备原生图像理解能力。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
fun-rec推荐系统入门教程,在线阅读地址:https://datawhalechina.github.io/fun-rec/Python03
so-large-lm大模型基础: 一文了解大模型基础知识01
项目优选
收起
暂无描述
Dockerfile
764
4.98 K
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
857
1.93 K
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
683
1.33 K
Ascend Extension for PyTorch
Python
719
880
deepin linux kernel
C
32
16
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
457
439
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.08 K
1.1 K
华为昇腾面向大规模分布式训练的多模态大模型套件,支撑多模态生成、多模态理解。
Python
151
252
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
305
118
昇腾LLM分布式训练框架
Python
178
221