我是TensorFlow的新手。我最近安装了它（Windows CPU版本），并收到以下消息：

成功安装tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc2

然后当我尝试跑步

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）

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]您的CPU支持以下指令： TensorFlow二进制文件未编译为使用：AVX AVX2

但是当我跑步时

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

它会按预期运行并输出Hello, TensorFlow!，这表明安装确实成功，但是还有其他错误。

您知道问题是什么以及如何解决？

这是什么警告？

现代CPU提供大量的低级别的指示，除了一般的算术和逻辑，被称为扩展，例如SSE2，SSE4，AVX等。从维基百科：

Advanced Vector Extensions（AVX）是Intel在2008年3月提出的针对Intel和AMD微处理器的x86指令集体系结构的扩展，并由Intel首先在2011年第一季度发布的Sandy Bridge处理器中得到支持，随后由AMD在Bulldozer处理器中发布。在2011年第三季度发布。AVX提供了新功能，新指令和新编码方案。

特别是，AVX引入了融合乘法累加（FMA）运算，从而加快了线性代数的计算速度，即点积，矩阵乘法，卷积等。几乎每个机器学习训练都涉及很多这些运算，因此将在支持AVX和FMA的CPU上速度更快（最高300％）。该警告指出您的CPU确实支持AVX（万岁！）。

我想在这里强调一下：这仅与CPU有关。

那为什么不使用呢？

因为tensorflow默认发行版是在没有CPU扩展的情况下构建的，例如SSE4.1，SSE4.2，AVX，AVX2，FMA等。默认构建（从中为pip install tensorflow）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慢很多，并且期望在GPU上进行中型和大型的机器学习培训。

你该怎么办？

如果您有GPU，则不必在乎AVX的支持，因为大多数昂贵的操作都会在GPU设备上调度（除非明确设置为不这样做）。在这种情况下，您可以通过以下方式忽略此警告

# Just disables the warning, doesn't enable AVX/FMA
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

...或通过设置（export TF_CPP_MIN_LOG_LEVEL=2如果您使用的是Unix）。无论如何，Tensorflow都运行良好，但是您不会看到这些烦人的警告。

如果没有GPU，并希望利用CPU尽可能的，你应该从优化源建立tensorflow 您的 CPU与AVX，AVX2，如果你的CPU支持他们启用了FMA。在这个问题以及GitHub问题中都对此进行了讨论。Tensorflow使用了一个称为bazel的临时构建系统，构建它并不是那么简单，但是肯定是可行的。此后，不仅警告会消失，而且tensorflow性能也应提高。

使用此命令为您的CPU和OS更新tensorflow二进制文件

pip install --ignore-installed --upgrade "Download URL"

您可以在此处找到whl文件的下载网址

https://github.com/lakshayg/tensorflow-build

GPU优化CPU

即使您拥有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。原因是某些TF操作仅具有CPU实现，不能在您的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的性能指南建议以下内容：

将输入管道操作放在CPU上可以显着提高性能。在输入管道中使用CPU将使GPU腾出精力来进行培训。

为了获得最佳性能，您应该编写代码以利用CPU和GPU协同工作，如果有的话，不要将其全部转储到GPU上。为您的CPU优化TensorFlow二进制文件可以节省数小时的运行时间，因此您只需执行一次。

对于Windows，您可以检查由AVX2编译的TensorFlow车轮的官方英特尔MKL优化。此解决方案加快了我的推断速度，达到x3。

conda install tensorflow-mkl

对于Windows（感谢所有者f040225），请转到此处：https : //github.com/fo40225/tensorflow-windows-wheel，以结合“ tf + python + cpu_instruction_extension”为您的环境获取URL。然后使用此cmd进行安装：

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

如果您使用的是tensorflow的pip版本，则意味着它已经被编译，并且您正在安装它。基本上是安装tensorflow-gpu，但是从存储库下载并尝试构建时，应该使用CPU AVX支持来构建它。如果忽略它，则每次在cpu上运行时都会收到警告。

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：

1. 卸载tensorflow：

    pip uninstall tensorflow

2. 卸载tensorflow-gpu ：（即使不确定是否已安装，也请确保运行此程序）

    pip uninstall tensorflow-gpu

3. 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文件中来检查是否可行：

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，然后输出应如下所示：

Version:  2.0.0
Eager mode:  True
Hub Version:  0.7.0
GPU is available

希望这可以帮助