这是运行脚本检查Tensorflow是否工作时收到的消息:
I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcublas.so.8.0 locally
I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcudnn.so.5 locally
I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcufft.so.8.0 locally
I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcuda.so.1 locally
I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcurand.so.8.0 locally
W tensorflow/core/platform/cpu_feature_guard.cc:95] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:95] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:910] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
我注意到它提到了SSE4.2和AVX，
什么是SSE4.2和AVX?
这些SSE4.2和AVX如何提高Tensorflow任务的CPU计算。
如何使用这两个库使Tensorflow编译?
我刚刚遇到了同样的问题，似乎Yaroslav Bulatov的建议不包括SSE4.2支持，添加——copt=-msse4.2就足够了。最后，我成功地用
bazel build -c opt --copt=-mavx --copt=-mavx2 --copt=-mfma --copt=-mfpmath=both --copt=-msse4.2 --config=cuda -k //tensorflow/tools/pip_package:build_pip_package
没有得到任何警告或错误。
对于任何系统来说，最好的选择可能是:
bazel build -c opt --copt=-march=native --copt=-mfpmath=both --config=cuda -k //tensorflow/tools/pip_package:build_pip_package
(更新:构建脚本可能会吃掉-march=native，可能是因为它包含一个=。)
-mfpmath=两者只适用于gcc，不适用于clang。-mfpmath=sse可能同样好，如果不是更好的话，它是x86-64的默认值。32位构建默认为-mfpmath=387，因此更改它将有助于32位。(但如果你想要高性能的数字运算，你应该构建64位二进制文件。)
我不确定TensorFlow默认的-O2或-O3是什么。gcc -O3支持完全优化，包括自动向量化，但有时会使代码变慢。
——copt for bazel build将一个选项直接传递给gcc编译C和c++文件(但不是链接，所以你需要一个不同的跨文件链接时间优化选项)
x86-64 gcc默认只使用SSE2或更老的SIMD指令，因此您可以在任何x86-64系统上运行二进制文件。(见https://gcc.gnu.org/onlinedocs/gcc/x86-Options.html)。这不是你想要的。您希望制作一个二进制文件，利用CPU可以运行的所有指令，因为您只在构建它的系统上运行这个二进制文件。
-march=native启用你的CPU支持的所有选项，因此它使-mavx512f -mavx2 -mavx -mfma -msse4.2冗余。(此外，-mavx2已经启用了-mavx和-msse4.2，所以Yaroslav的命令应该没问题)。此外，如果您使用的CPU不支持这些选项之一(如FMA)，则使用-mfma将生成带有非法指令错误的二进制文件。
TensorFlow的./configure默认启用-march=native，因此使用它应该避免需要手动指定编译器选项。
-march=native启用-mtune=native，因此它为你的CPU优化，比如AVX指令的哪个序列最适合未对齐的负载。
这些都适用于gcc、clang或ICC。(对于ICC，您可以使用-xHOST代替-march=native。)
我先回答你的第三个问题:
如果您想在conda-env中运行一个自行编译的版本，可以这样做。这些是我运行的获取tensorflow并将其安装到我的系统上的一般指令。注意:这个版本是AMD A10-7850版本(检查你的CPU支持什么指令…它可能不同)运行Ubuntu 16.04 LTS。我在conda-env中使用Python 3.5。链接到tensorflow源安装页面和上面提供的答案。
git clone https://github.com/tensorflow/tensorflow
# Install Bazel
# https://bazel.build/versions/master/docs/install.html
sudo apt-get install python3-numpy python3-dev python3-pip python3-wheel
# Create your virtual env with conda.
source activate YOUR_ENV
pip install six numpy wheel, packaging, appdir
# Follow the configure instructions at:
# https://www.tensorflow.org/install/install_sources
# Build your build like below. Note: Check what instructions your CPU
# support. Also. If resources are limited consider adding the following
# tag --local_resources 2048,.5,1.0 . This will limit how much ram many
# local resources are used but will increase time to compile.
bazel build -c opt --copt=-mavx --copt=-msse4.1 --copt=-msse4.2 -k //tensorflow/tools/pip_package:build_pip_package
# Create the wheel like so:
bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
# Inside your conda env:
pip install /tmp/tensorflow_pkg/NAME_OF_WHEEL.whl
# Then install the rest of your stack
pip install keras jupyter etc. etc.
关于第二个问题:
在我看来，一个带有优化的自编译版本是非常值得努力的。在我的设置中，以前需要560-600秒的计算现在只需要300秒!虽然确切的数字会有所不同，但我认为在您的特定设置上，您可以期望大约35-50%的速度提高。
最后你的第一个问题:
上面已经给出了很多答案。总结一下:AVX、SSE4.1、SSE4.2、MFA是X86 cpu上不同种类的扩展指令集。许多都包含处理矩阵或向量运算的优化指令。
我将强调我自己的误解，希望能为您节省一些时间:并不是说SSE4.2是取代SSE4.1的指令的新版本。SSE4 = SSE4.1(一组47条指令)+ SSE4.2(一组7条指令)
在tensorflow编译的上下文中，如果你的计算机支持AVX2和AVX，以及SSE4.1和SSE4.2，你应该把这些优化标志都放进去。不要像我一样，认为SSE4.2更新，应该超越SSE4.1。这显然是错误的!我不得不重新编译，因为这花了我40分钟。
让我们首先解释一下为什么会看到这些警告。
很可能您没有从源代码安装TF，而是使用了pip install tensorflow之类的东西。这意味着您安装了预先构建的(由其他人)二进制文件，这些二进制文件没有针对您的体系结构进行优化。这些警告确切地告诉您:在您的体系结构上有一些可用的东西，但它将不会被使用，因为没有使用它编译二进制文件。这是来自文档的部分。
TensorFlow在启动时检查它是否已经被编译
优化CPU可用。如果优化不是
包括，TensorFlow将发出警告，例如AVX, AVX2和FMA
说明不包括在内。
好消息是，你很可能只是想学习/试验TF，这样一切都能正常工作，你不应该担心它
什么是SSE4.2和AVX?
维基百科对SSE4.2和AVX有很好的解释。要擅长机器学习，并不需要这些知识。你可以把它们想象成一组额外的指令，让计算机对一条指令使用多个数据点来执行自然并行化的操作(例如添加两个数组)。
SSE和AVX都是SIMD (Single instruction, multiple data，单指令多数据)抽象思想的实现
弗林分类学中的一类并行计算机。它描述了
具有多个执行相同任务的处理元件的计算机
同时对多个数据点进行操作。因此，这样的机器
利用数据级的并行性，而不是并发性:有
同时(并行)计算，但只有一个进程
(指令)在给定的时刻
这足以回答你的下一个问题。
这些SSE4.2和AVX如何提高TF任务的CPU计算
它们允许更有效地计算各种向量(矩阵/张量)操作。你可以在这些幻灯片中读到更多
如何使用这两个库使Tensorflow编译?
你需要有一个二进制文件来利用这些指令。最简单的方法是自己编译。正如Mike和Yaroslav所建议的，您可以使用以下bazel命令
Bazel build -copt——copt=-mavx——copt=-mavx2——copt=-mfma——copt=-mfpmath=both——copt=-msse4.2——config=cuda -k //tensorflow/tools/pip_package:build_pip_package
