问题描述：

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

然后当我试图跑的时候

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）

我收到了以下消息：

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 支持此 TensorFlow 二进制文件未编译使用的指令：AVX AVX2

但当我跑的时候

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

它按应有的方式运行并输出Hello, TensorFlow!，这表明安装确实成功了，但是还有其他错误。

您知道问题是什么以及如何解决它吗？

解决方案 1：

此警告是关于什么的？

现代 CPU 除了提供通常的算术和逻辑之外，还提供了许多低级指令，称为扩展，例如 SSE2、SSE4、AVX 等。摘自维基百科：

高级矢量扩展( AVX ) 是英特尔和 AMD 微处理器 x86 指令集架构的扩展，由英特尔于 2008 年 3 月提出，英特尔首先在 2011 年第一季度推出的 Sandy Bridge 处理器中支持该指令，随后 AMD 在 2011 年第三季度推出的 Bulldozer 处理器中也支持该指令。AVX 提供了新功能、新指令和新的编码方案。

具体来说，AVX 引入了融合乘法累加(FMA) 运算，可加速线性代数计算，即点积、矩阵乘法、卷积等。几乎每个机器学习训练都涉及大量这些运算，因此在支持 AVX 和 FMA 的 CPU 上速度会更快（最高可达 300%）。警告表明您的 CPU 确实支持 AVX（太棒了！）。

我想在这里强调一下：这一切都与CPU无关。

那为什么不使用它呢？

因为 tensorflow 默认发行版没有 CPU 扩展，例如 SSE4.1、SSE4.2、AVX、AVX2、FMA 等。默认版本（来自的版本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 慢得多，而且预计中型和大型机器学习训练将在 GPU 上进行。

你应该做什么？

如果您有 GPU，则不必关心 AVX 支持，因为大多数昂贵的操作都将在 GPU 设备上调度（除非明确设置不这样做）。在这种情况下，您可以简单地忽略此警告，方法是

# Just disables the warning, doesn't take advantage of AVX/FMA to run faster
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

...或者如果您使用的是 Unix，请进行设置export TF_CPP_MIN_LOG_LEVEL=2。Tensorflow 无论如何都能正常工作，但您不会看到这些烦人的警告。

如果您没有 GPU并且想要尽可能多地利用 CPU，则应该从针对您的CPU优化的源代码构建 tensorflow，并启用 AVX、AVX2 和 FMA（如果您的 CPU 支持它们）。这个问题和这个 GitHub 问题已经讨论过了。Tensorflow 使用一个名为bazel 的临时构建系统，构建它并不那么简单，但肯定是可行的。在此之后，不仅警告会消失，tensorflow 性能也会提高。

解决方案 2：

使用此命令更新适用于你的 CPU 和操作系统的 tensorflow 二进制文件

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

whl 文件的下载地址可以在这里找到

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

解决方案 3：

使用 GPU 进行 CPU 优化

即使您有 GPU 并将其用于训练和推理，从源代码安装 TensorFlow 也可以获得性能提升。原因是某些 TF 操作只有 CPU 实现，无法在您的 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 的性能指南建议如下：

将输入管道操作放在 CPU 上可以显著提高性能。利用 CPU 进行输入管道可让 GPU 专注于训练。

为了获得最佳性能，您应该编写代码以利用 CPU 和 GPU 协同工作，而不是将所有代码都放在 GPU 上（如果有的话）。针对 CPU 优化 TensorFlow 二进制文件可以节省数小时的运行时间，而且您只需执行一次。

解决方案 4：

对于 Windows，您可以查看使用 AVX2 编译的TensorFlow 轮子的官方英特尔 MKL 优化。此解决方案将我的推理速度提高了约 3 倍。

conda install tensorflow-mkl

解决方案 5：

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”组合获取您环境的 URL。然后使用此 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

解决方案 6：

如果您使用pip版本的 TensorFlow，则意味着它已经编译完毕，您只需安装它即可。基本上，您安装的是 TensorFlow-GPU，但是当您从存储库下载它并尝试构建它时，您应该使用 CPU AVX 支持来构建它。如果您忽略它，则每次在 CPU 上运行时都会收到警告。您也可以看看这些。

使用 SSE4.2 和 AVX 编译 Tensorflow 的正确方法

TensorFlow 中的 AVX CPU 支持是什么

解决方案 7：

我发现解决这个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

1. 卸载 tensorflow-gpu：（即使不确定是否安装了它，也请确保运行它）

pip uninstall tensorflow-gpu

1. 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")

运行该文件，然后输出应如下所示：

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

希望这有帮助

解决方案 8：

对我有用的是这个库https://pypi.org/project/silence-tensorflow/

安装此库并按照页面上的说明进行操作，它会非常有效！

解决方案 9：

尝试使用 anaconda。我遇到了同样的错误。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，它成功了。

1. 在anaconda中创建一个新的环境。

2. conda install -c conda-forge tensorflow

然后，它就成功了。

解决方案 10：

正如消息所示，您的 CPU 支持 TensorFlow 二进制文件未编译使用的指令。这应该不是 CPU 版本的 TensorFlow 的问题，因为它不执行 AVX（高级矢量扩展）指令。但是，似乎 TensorFlow 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。

解决方案 11：

他提供过一次列表，被人删除了，但看到答案是
下载包列表

输出：

F:    empPython>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]
...