您的 CPU 支持未编译此 TensorFlow 二进制文件以使用的指令：AVX AVX2
我最近安装了 tensorflow（Windows CPU 版本）并收到以下消息：
成功安装tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc2
然后当我试图跑
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
sess.run(hello)
'Hello, TensorFlow!'
a = tf.constant(10)
b = tf.constant(32)
sess.run(a + b)
42
sess.close()
（我通过 https://github.com/tensorflow/tensorflow 找到的）
我收到以下消息：
2017-11-02 01:56:21.698935: IC:\tf_jenkins\home\workspace\rel-win\M\windows\PY\36\tensorflow\core\platform\cpu_feature_guard.cc:137] 你的 CPU 支持这样的指令TensorFlow 二进制文件未编译使用：AVX AVX2
但是当我跑
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
它按原样运行并输出Hello, TensorFlow!，这表明安装确实成功，但还有其他问题。
您知道问题是什么以及如何解决吗？
>>> sess = tf.Session() 2017-11-05 18:02:44.670825: I C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\ 35\tensorflow\core\platform\cpu_feature_guard.cc:137] Your CPU supports instruct ions that this TensorFlow binary was not compiled to use: AVX AVX2
Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2。
这个警告是关于什么的？
现代 CPU 提供了许多低级指令，除了通常的算术和逻辑，称为扩展，例如 SSE2、SSE4、AVX 等。来自 Wikipedia：
高级矢量扩展 (AVX) 是英特尔于 2008 年 3 月提出的用于英特尔和 AMD 微处理器的 x86 指令集架构的扩展，最初由英特尔在 2011 年第一季度推出的 Sandy Bridge 处理器提供支持，随后由 AMD 推出的 Bulldozer 处理器提供支持2011 年第三季度。AVX 提供了新功能、新指令和新编码方案。
特别是 AVX 引入了 fused multiply-accumulate (FMA) 运算，加速了线性代数计算，即点积、矩阵乘法、卷积等。几乎每次机器学习训练都涉及大量这些运算，因此会更快在支持 AVX 和 FMA（高达 300%）的 CPU 上。警告表明您的 CPU 确实支持 AVX（万岁！）。
我想在这里强调一下：这都是关于 CPU 的。
那为什么不用呢？
因为 tensorflow 默认分布是构建 without CPU extensions，例如 SSE4.1、SSE4.2、AVX、AVX2、FMA 等。默认构建（来自 pip install tensorflow 的那些）旨在与尽可能多的 CPU 兼容。另一个论点是，即使有了这些扩展，CPU 也比 GPU 慢得多，并且预计中型和大型机器学习训练将在 GPU 上执行。
你该怎么办？
如果您有 GPU，则不应关心 AVX 支持，因为大多数昂贵的操作将在 GPU 设备上调度（除非明确设置为不）。在这种情况下，您可以通过以下方式简单地忽略此警告
# Just disables the warning, doesn't take advantage of AVX/FMA to run faster
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
...或者如果您在 Unix 上，则设置 export TF_CPP_MIN_LOG_LEVEL=2。无论如何，Tensorflow 运行良好，但您不会看到这些烦人的警告。
如果您没有 GPU 并希望尽可能多地利用 CPU，您应该从针对您的 CPU 优化的源代码构建 tensorflow如果您的 CPU 支持，则启用 AVX、AVX2 和 FMA。它已在 this question 和 this GitHub issue 中讨论过。 Tensorflow 使用一个名为 bazel 的临时构建系统，构建它并不是那么简单，但肯定是可行的。在此之后，不仅警告会消失，tensorflow 的性能也应该会有所提高。
使用此命令为您的 CPU 和操作系统更新 tensorflow 二进制文件
pip install --ignore-installed --upgrade "Download URL"
whl 文件的下载 url 可以在这里找到
https://github.com/lakshayg/tensorflow-build
使用 GPU 进行 CPU 优化
即使您有 GPU 并将其用于训练和推理，也可以通过从源代码安装 TensorFlow 来获得性能提升。原因是一些 TF 操作只有 CPU 实现，不能在你的 GPU 上运行。
此外，还有一些性能增强技巧可以充分利用您的 CPU。 TensorFlow's performance guide 建议如下：
将输入流水线操作放在 CPU 上可以显着提高性能。将 CPU 用于输入管道可以让 GPU 专注于训练。
为了获得最佳性能，您应该编写代码以利用您的 CPU 和 GPU 协同工作，如果有的话，不要将其全部转储到您的 GPU 上。让您的 TensorFlow 二进制文件针对您的 CPU 进行优化可以节省数小时的运行时间，而且您必须这样做一次。
对于 Windows，您可以检查使用 AVX2 编译的 official Intel MKL optimization for TensorFlow 轮子。这个解决方案加快了我的推理速度~x3。
conda install tensorflow-mkl
tensorflow-mkl，即使我仍然遇到错误。也许有趣的是，我没有看到 WSL 的改进。在这里，tensorflow 和 tensorflow-mkl 都比 Windows 基线提供了 2 倍的改进。
对于 Windows（感谢所有者 f040225），请转到此处：https://github.com/fo40225/tensorflow-windows-wheel 根据“tf + python + cpu_instruction_extension”的组合为您的环境获取 url。然后使用这个cmd安装：
pip install --ignore-installed --upgrade "URL"
如果遇到“文件不是 zip 文件”错误，请将 .whl 下载到本地计算机，然后使用此 cmd 进行安装：
pip install --ignore-installed --upgrade /path/target.whl
如果您使用 TensorFlow 的 pip 版本，则意味着它已经编译，您只是在安装它。基本上你安装了 TensorFlow-GPU，但是当你从存储库下载它并尝试构建它时，你应该使用 CPU AVX 支持来构建它。如果忽略它，每次在 CPU 上运行时都会收到警告。你也可以看看那些。
Proper way to compile Tensorflow with SSE4.2 and AVX
What is AVX Cpu support in tensorflow
我发现解决此问题的最简单方法是卸载所有内容，然后安装特定版本的 tensorflow-gpu：
卸载张量流：
pip uninstall tensorflow
卸载 tensorflow-gpu：（即使您不确定是否安装了它，也要确保运行它）
pip uninstall tensorflow-gpu
安装特定的 tensorflow-gpu 版本：
pip install tensorflow-gpu==2.0.0
pip install tensorflow_hub
pip install tensorflow_datasets
您可以通过将以下代码添加到 python 文件中来检查这是否有效：
from __future__ import absolute_import, division, print_function, unicode_literals
import numpy as np
import tensorflow as tf
import tensorflow_hub as hub
import tensorflow_datasets as tfds
print("Version: ", tf.__version__)
print("Eager mode: ", tf.executing_eagerly())
print("Hub Version: ", hub.__version__)
print("GPU is", "available" if tf.config.experimental.list_physical_devices("GPU") else "NOT AVAILABLE")
运行文件，然后输出应该是这样的：
Version: 2.0.0
Eager mode: True
Hub Version: 0.7.0
GPU is available
希望这可以帮助
pip install tensorflow_hub 和 pip install tensorflow_datasets
对我有用的是这个库https://pypi.org/project/silence-tensorflow/
安装这个库并按照页面上的说明进行操作，它就像一个魅力！
尝试使用蟒蛇。我有同样的错误。一个唯一的选择是从源代码构建 tensorflow，这需要很长时间。我尝试使用 conda 并且它有效。
在 anaconda 中创建一个新环境。 conda -c conda-forge 张量流
然后，它奏效了。
CommandNotFoundError: No command 'conda conda-forge'. - 所以，我跟着这个：conda-forge.org。但是，无论如何，我得到了这个：I tensorflow/core/platform/cpu_feature_guard.cc:142] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: SSE4.1 SSE4.2 AVX AVX2 FMA
他提供了一次列表，被某人删除但看到答案是Download packages list
输出：
F:\temp\Python>python test_tf_logics_.py
[0, 0, 26, 12, 0, 0, 0, 2, 0, 0, 0, 0, 0, 0, 0, 0]
[ 0 0 0 26 12 0 0 0 2 0 0 0 0 0 0 0 0]
[ 0 0 26 12 0 0 0 2 0 0 0 0 0 0 0 0 0]
2022-03-23 15:47:05.516025: I tensorflow/core/platform/cpu_feature_guard.cc:151] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2022-03-23 15:47:06.161476: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1525] Created device /job:localhost/replica:0/task:0/device:GPU:0 with 10 MB memory: -> device: 0, name: NVIDIA GeForce GTX 1060 6GB, pci bus id: 0000:01:00.0, compute capability: 6.1
[0 0 2 0 0 0 0 7 0 0 0 0 0 0 0 0 0]
...
https://i.stack.imgur.com/arS48.png
如消息所述，您的 CPU 支持未编译使用 TensorFlow 二进制文件的指令。这应该不是 TensorFlow 的 CPU 版本的问题，因为它不执行 AVX（高级矢量扩展）指令。但是，TensorFlow 似乎在代码的某些部分使用了 AVX 指令，并且该消息只是一个警告，您可以放心地忽略它。您可以使用 AVX 指令编译您自己的 TensorFlow 版本。
