我最近安装了tensorflow (Windows CPU版本)，收到了以下消息:
成功安装tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc2
然后当我试图逃跑的时候
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()
(我是在https://github.com/tensorflow/tensorflow上找到的)
我收到了以下信息:
2017-11-02 01:56:21.698935: I C:\tf_jenkins\home\workspace\rel-win\M\windows\PY\36\tensorflow\core\platform\cpu_feature_guard。cc:137]你的CPU支持这个TensorFlow二进制文件没有被编译使用的指令:AVX AVX2
但当我逃跑时
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
它正常运行并输出Hello, TensorFlow!，这表明安装确实是成功的，但还有一些地方是错误的。
你知道问题是什么以及如何解决它吗?
这个警告是关于什么的?
现代cpu除了提供常见的算术和逻辑之外，还提供了许多低级指令，这些指令被称为扩展，例如SSE2、SSE4、AVX等。来自维基百科:
Advanced Vector Extensions (AVX)是对x86指令的扩展
由Intel和AMD提出的微处理器集架构
英特尔于2008年3月发布，并首先由英特尔支持Sandy处理器
桥处理器在2011年第一季度出货，稍后由AMD与
2011年第三季度推土机处理器出货。AVX提供了新的功能，
新的指令和新的编码方案。
特别是，AVX引入了融合乘法-累积(FMA)运算，加快了线性代数的计算速度，即点积、矩阵乘法、卷积等。几乎每一个机器学习训练都涉及到大量的这些操作，因此在支持AVX和FMA的CPU上会更快(高达300%)。警告说你的CPU不支持AVX(万岁!)
我想在这里强调一下:这只是CPU的问题。
为什么不使用呢?
因为tensorflow默认分布是在没有CPU扩展的情况下构建的，比如SSE4.1、SSE4.2、AVX、AVX2、FMA等。默认版本(来自pip install tensorflow的版本)旨在与尽可能多的cpu兼容。另一种观点是，即使有了这些扩展，CPU也比GPU慢得多，而且预计在GPU上执行中等和大规模的机器学习训练。
你该怎么办?
如果你有一个GPU，你不应该关心AVX支持，因为大多数昂贵的操作将在GPU设备上分派(除非明确设置不为)。在这种情况下，您可以简单地通过忽略此警告
# Just disables the warning, doesn't take advantage of AVX/FMA to run faster
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
．.． 或者在Unix上设置export TF_CPP_MIN_LOG_LEVEL=2。Tensorflow工作得很好，但你不会看到这些恼人的警告。
如果你没有GPU，想要尽可能地利用CPU，你应该从为你的CPU优化的源代码构建张量流，并启用AVX、AVX2和FMA(如果你的CPU支持的话)。这个问题和GitHub的问题已经讨论过了。Tensorflow使用一个叫做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，张量流的性能也会提高。
我发现解决这个问题最简单的方法是卸载所有东西，然后安装特定版本的tensorflow-gpu:
卸载tensorflow:
pip uninstall tensorflow
卸载tensorflow-gpu:(确保运行这个，即使你不确定你是否安装了它)
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
你可以通过在python文件中添加以下代码来检查是否有效:
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，然后输出如下所示:
Version: 2.0.0
Eager mode: True
Hub Version: 0.7.0
GPU is available
希望这能有所帮助
这个警告是关于什么的?
现代cpu除了提供常见的算术和逻辑之外，还提供了许多低级指令，这些指令被称为扩展，例如SSE2、SSE4、AVX等。来自维基百科:
Advanced Vector Extensions (AVX)是对x86指令的扩展
由Intel和AMD提出的微处理器集架构
英特尔于2008年3月发布，并首先由英特尔支持Sandy处理器
桥处理器在2011年第一季度出货，稍后由AMD与
2011年第三季度推土机处理器出货。AVX提供了新的功能，
新的指令和新的编码方案。
特别是，AVX引入了融合乘法-累积(FMA)运算，加快了线性代数的计算速度，即点积、矩阵乘法、卷积等。几乎每一个机器学习训练都涉及到大量的这些操作，因此在支持AVX和FMA的CPU上会更快(高达300%)。警告说你的CPU不支持AVX(万岁!)
我想在这里强调一下:这只是CPU的问题。
为什么不使用呢?
因为tensorflow默认分布是在没有CPU扩展的情况下构建的，比如SSE4.1、SSE4.2、AVX、AVX2、FMA等。默认版本(来自pip install tensorflow的版本)旨在与尽可能多的cpu兼容。另一种观点是，即使有了这些扩展，CPU也比GPU慢得多，而且预计在GPU上执行中等和大规模的机器学习训练。
你该怎么办?
如果你有一个GPU，你不应该关心AVX支持，因为大多数昂贵的操作将在GPU设备上分派(除非明确设置不为)。在这种情况下，您可以简单地通过忽略此警告
# Just disables the warning, doesn't take advantage of AVX/FMA to run faster
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
．.． 或者在Unix上设置export TF_CPP_MIN_LOG_LEVEL=2。Tensorflow工作得很好，但你不会看到这些恼人的警告。
如果你没有GPU，想要尽可能地利用CPU，你应该从为你的CPU优化的源代码构建张量流，并启用AVX、AVX2和FMA(如果你的CPU支持的话)。这个问题和GitHub的问题已经讨论过了。Tensorflow使用一个叫做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，张量流的性能也会提高。
