RuntimeError: Building llvmlite requires LLVM 11.x.x, got '7.0.1'. Be sure to set LLVM_CONFIG to the right executable path

这个错误通常是由于安装的 `llvmlite` 版本过低导致的，而 `llvmlite` 的版本要求与 LLVM 版本相匹配。

解决这个问题，你需要更新 `llvmlite` 的版本。你可以使用以下命令更新：

pip install llvmlite --upgrade

如果你的系统中没有安装 LLVM，你需要先安装 LLVM，然后将 `LLVM_CONFIG` 设置为正确的可执行文件路径，例如：

export LLVM_CONFIG=/usr/bin/llvm-config-11

注意，这里的 `llvm-config-11` 是 LLVM 11 版本的可执行文件路径，你需要根据你安装的 LLVM 版本来设置。

相关问题

RuntimeError: The Session graph is empty. Add operations to the graph before calling run().

这个错误通常是因为 TensorFlow 的 Graph 没有被正确地初始化导致的。在 TensorFlow 中，Graph 必须被构建并初始化后才能运行。您需要向 Graph 中添加操作，然后初始化它，才能运行它。

如果您使用的是 TensorFlow 1.x 版本，您需要使用 `tf.Session()` 创建一个会话，并且在执行操作之前，需要使用 `sess.run()` 来初始化 Graph，例如：

import tensorflow as tf

# create a graph
graph = tf.Graph()
with graph.as_default():
    a = tf.constant(5)
    b = tf.constant(10)
    c = tf.add(a, b)

# run the graph
with tf.Session(graph=graph) as sess:
    print(sess.run(c))

如果您使用的是 TensorFlow 2.x 版本，您可以直接使用 `tf.function()` 将您的函数转换为 TensorFlow 计算图。例如：

import tensorflow as tf

@tf.function
def add(a, b):
    return tf.add(a, b)

print(add(5, 10))

请注意，尽管 TensorFlow 2.x 支持 Eager Execution，但它也支持 Graph Execution。如果您使用 `tf.function()` 将函数转换为计算图，则可以在必要时使用计算图来获得更好的性能。

RuntimeError: The Session graph is empty. Add operations to the graph before calling run()

这个错误通常出现在使用 TensorFlow 时，因为 TensorFlow 的运行过程中需要先构建计算图（computational graph），然后再运行。如果构建的计算图为空，就会出现这个错误。

要解决这个错误，你需要确保在调用 `run()` 方法之前，已经构建好了计算图。可以通过以下方式来构建计算图：

1. 定义计算图中的所有操作（包括输入数据和模型），并将它们添加到默认图中。
2. 开始一个会话（Session）。
3. 在会话中运行计算图。

以下是一个简单的 TensorFlow 示例代码，演示如何构建计算图和运行会话：

import tensorflow as tf

# 定义计算图中的操作
x = tf.placeholder(tf.float32, shape=[None, 784])
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))
y = tf.nn.softmax(tf.matmul(x, W) + b)

# 开始一个会话
with tf.Session() as sess:
    # 初始化所有变量
    sess.run(tf.global_variables_initializer())
    
    # 运行计算图
    result = sess.run(y, feed_dict={x: some_input_data})

在这个示例中，`x` 是一个占位符（placeholder），它表示输入数据的形状。`W` 和 `b` 是可以训练的变量，它们的初始值是全零。`y` 是一个 softmax 操作，它将输入数据与权重矩阵相乘并加上偏置向量，然后进行 softmax 操作得到输出。

在会话中，我们首先初始化所有变量，然后运行计算图，并将输入数据传递给占位符。最终的结果保存在 `result` 中。