我是 TensorFlow 的新手。我最近安装了它（Windows CPU 版本），并收到以下消息：
成功安装 tensorflow-1.4.0 tensorflow-tensorboard-0.4.0rc2
那我试着跑的时候
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）
我收到以下消息：
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 支持以下指令 TensorFlow 二进制文件未编译为使用：AVX AVX2
但是当我跑步时
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))它按预期运行并输出Hello, TensorFlow! ，表明安装确实成功，但是还有其他错误。
您知道问题是什么以及如何解决？
现代 CPU 提供大量的低级别的指示，除了一般的算术和逻辑，被称为扩展，例如 SSE2，SSE4，AVX 等。从维基百科：
Advanced Vector Extensions （ AVX ）是 Intel 在 2008 年 3 月提出的针对 Intel 和 AMD 的 x86 指令集体系结构的扩展，并由 Intel 首先在 2011 年第一季度发布的 Sandy Bridge 处理器中得到支持，然后在 AMD 随 Bulldozer 处理器的发布而得到支持。在 2011 年第三季度发布。AVX 提供了新功能，新指令和新编码方案。
特别是，AVX 引入了融合乘法累加（FMA）运算，从而加快了线性代数的计算速度，即点积，矩阵乘法，卷积等。几乎每个机器学习训练都涉及很多这些运算，因此将在支持 AVX 和 FMA（最高 300％）的 CPU 上速度更快。该警告指出您的 CPU 确实支持 AVX（万岁！）。
我想在此强调一下：这仅与 CPU 有关。
由于 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。默认构建（来自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 也要比 GPU 慢很多，并且期望在 GPU 上进行中型和大型的机器学习培训。
如果您有 GPU ，则不必在意 AVX 的支持，因为大多数昂贵的操作都会在 GPU 设备上调度（除非明确设置为不这样做）。在这种情况下，您可以通过以下方式忽略此警告：
# Just disables the warning, doesn't take advantage of AVX/FMA to run faster
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'... 或者如果您使用的是 Unix，则设置export TF_CPP_MIN_LOG_LEVEL=2无论如何，Tensorflow 都运行良好，但是您不会看到这些烦人的警告。
如果没有 GPU，并希望利用 CPU 尽可能的，你应该与AVX，AVX2你的CPU 优化的源代码编译 tensorflow，如果你的 CPU 支持他们启用了 FMA。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 性能也应提高。
使用此命令为您的 CPU 和 OS 更新 tensorflow 二进制文件
pip install --ignore-installed --upgrade "Download URL"您可以在此处找到 whl 文件的下载网址
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。
另外，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：
将输入管道操作放在 CPU 上可以显着提高性能。在输入管道中使用 CPU 可以使 GPU 腾出精力来进行培训。
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，如果有的话，不要将其全部转储到 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，因此您只需执行一次。