您的CPU支持该TensorFlow二进制文件未经编译以使用的指令：AVX AVX2

 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()
 

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

#1 楼

这个警告是关于什么的？

现代CPU除了提供通常的算术和逻辑（称为扩展，例如扩展）外，还提供许多低级指令。 SSE2，SSE4，AVX等。Wikipedia：高级矢量扩展（AVX）是对x86指令集的扩展。
英特尔（Intel）于2008年3月提供服务，并由桑迪（Sandy）于2011年第一季度首次为英特尔提供支持，后来由AMD（AMD）于2011年第三季度在其推土机中提供了支持。AVX提供了新功能，
新的指令和新的编码方案。


尤其是，AVX引入了融合乘法累加（FMA）运算，可加快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很多这些操作，因此在支持AVX和FMA的CPU（最多300％）上会更快。该警告指出您的CPU确实支持AVX（万岁！）。

我想在这里强调：这全都与CPU有关。

为什么不使用它然后呢？

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。因此，默认构建（pip install tensorflow中的构建）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仍然比GPU慢很多，并且期望在GPU上进行中型和大型机器学习培训。

您应该怎么做？

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设备上分派（除非明确设置为不这样做）。在这种情况下，您可以通过

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

...或设置export TF_CPP_MIN_LOG_LEVEL=2来忽略此警告（如果您使用的是Unix）。 Tensorflow仍然可以正常工作，但是您不会看到这些烦人的警告。


如果您没有GPU并希望尽可能多地利用CPU，则应在启用CPU的AVX，AVX2和FMA的支持下从针对CPU优化的源构建张量流。在这个问题以及GitHub问题中都对此进行了讨论。 Tensorflow使用一个称为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性能也将得到改善。

#2 楼

使用此命令为您的CPU和操作系统更新tensorflow二进制文件

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

可以在此处找到whl文件的下载URL

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

#3 楼

使用GPU进行CPU优化

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：


在CPU上放置输入管道操作可以显着提高性能。在输入管道中使用CPU可以使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，而不要转储如果有的话，这一切都在您的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，而您只需执行一次即可。

#4 楼

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，大约x3。

conda install tensorflow-mkl

#5 楼

对于Windows（感谢所有者f040225），请转至此处：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，并使用此要安装的cmd：

pip install --ignore-installed --upgrade /path/target.whl

#6 楼

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，但是当您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。

#7 楼

我发现解决此问题的最简单方法是先卸载所有内容，然后安装特定版本的tensorflow-gpu：


卸载tensorflow： >

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

安装特定的tensorflow-gpu版本：

    pip uninstall tensorflow-gpu

您可以通过将以下代码添加到python文件中来检查是否有效：

    pip install tensorflow-gpu==2.0.0
    pip install tensorflow_hub
    pip install tensorflow_datasets

运行文件，然后输出应如下所示：

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")

希望对您有所帮助

#8 楼

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

安装该库并按照页面上的指示进行操作，它就像一个魅力一样工作！