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

这些是SIMD矢量处理指令集。

对于许多任务来说，使用矢量指令更快;机器学习就是这样一项任务。

引用tensorflow安装文档:

为了与尽可能多的机器兼容，TensorFlow默认只在x86机器上使用SSE4.1 SIMD指令。大多数现代pc和mac都支持更高级的指令，所以如果您正在构建一个只在您自己的机器上运行的二进制文件，您可以在bazel构建命令中使用——copt=-march=native来启用这些指令。

我编译了一个小型的Mac Bash脚本(很容易移植到Linux)来检索所有CPU特性，并应用其中的一些来构建TF。我在TF大师和使用有点经常(一对夫妇在一个月)。

https://gist.github.com/venik/9ba962c8b301b0e21f99884cbd35082f

使用SSE4.2和AVX编译TensorFlow，可以直接使用

Bazel build -config=mkl ——配置= "选择" ——科普特人=“3 = broadwell” ——科普特人= " o3 " / / tensorflow /工具/ pip_package: build_pip_package

来源: https://github.com/tensorflow/tensorflow/blob/master/tensorflow/tools/docker/Dockerfile.devel-cpu-mkl

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。)

2.0兼容方案:

在终端(Linux/MacOS)或命令提示符(Windows)中执行以下命令，使用Bazel安装Tensorflow 2.0:

git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow

#The repo defaults to the master development branch. You can also checkout a release branch to build:
git checkout r2.0

#Configure the Build => Use the Below line for Windows Machine
python ./configure.py 

#Configure the Build => Use the Below line for Linux/MacOS Machine
./configure
#This script prompts you for the location of TensorFlow dependencies and asks for additional build configuration options. 

#Build Tensorflow package

#CPU support
bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package 

#GPU support
bazel build --config=opt --config=cuda --define=no_tensorflow_py_deps=true //tensorflow/tools/pip_package:build_pip_package