---

人生没有解决不了的bug. But 一定有解决不完的bug ！！！     Believe it or not ！！！

---

一、警告原因分析

知彼知己，再遇亲切呀，还是先分析一下警告的原因吧！

1、出现警告

程序运行的时候出现如下的警告：

 Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA

大概意思是：

你的CPU支持TensorFlow二进制指令集，但是不能够使用AVX2 指令集进行编译

2、原因分析

现代CPU提供了一系列低级别的指令集，除了通常的算术和逻辑之外，被称为扩展，例如， SSE2，SSE4，AVX等。
维基百科有描述：

高级矢量扩展（AVX：Advanced Vector Extensions）是英特尔在2008年3月提出的英特尔和AMD微处理器的x86指令集体系结构的扩展，英特尔首先通过Sandy Bridge处理器在2011年第一季度推出，随后由AMD推出Bulldozer处理器 在2011年第三季度.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）操作，加速了线性代数计算，即点积，矩阵乘法，卷积等。几乎所有机器学习训练都涉及大量这些操作，因此将会 支持AVX和FMA的CPU（最高达300％）更快。 该警告指出您的CPU确实支持AVX（hooray！）。

那为什么没有使用呢？

由于tensorflow默认是在没有CPU扩展的情况下构建的，例如SSE4.1，SSE4.2，AVX，AVX2，FMA等。默认版本（来自pip install tensorflow的版本）旨在与尽可能多的CPU兼容。 另一个观点是，即使使用这些扩展名，CPU的速度也要比GPU低很多，所以它预计中大型机器学习任务应该在GPU上执行。

那我们应该怎么办

如果你有GPU的话，直接忽略这一项即可，因为大部分的高消耗操作都会被分配到GPU上执行（除非你设置了不这么做）。在这种情况下，你可以通过下面这个方式直接忽略这个警告：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

这种方法只是去掉警告，实际上是没有解决问题的。

如果你没有GPU，你想最大化使用CPU，你应该启动你的CPU的AVX，AVX2以及FMA拓展。在这个问题以及这个GitHub issue里面都有详细的讨论。Tensorflow使用称为bazel的ad-hoc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，不仅警告消失，张量流性能也应该改善。
解决方法

二、去除警告方法

1、安装的Tensorflow是GPU版本（tensorflow-gpu）

如果你安装的tensorflow是GPU版本的，其实这个警告去不去除都也是没有影响的，但是如果你想去除这个警告也是可以的，只需要在程序的开头加上以下两行代码即可忽略警告：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

解释（设置tensorflow日志显示警告的等级）：

import os
os.environ[“TF_CPP_MIN_LOG_LEVEL”]=‘1’       # 这是默认的显示等级，显示所有信息
os.environ[“TF_CPP_MIN_LOG_LEVEL”]=‘2’       # 只显示 warning 和 Error
os.environ[“TF_CPP_MIN_LOG_LEVEL”]=‘3’       # 只显示 Error

2、安装的tensorflow是CPU版本（tensorflow）

1. 可以通过上面的方式忽略警告，但是并没有从根本上解决问题

2. 从源码安装tensorflow可以从根本上解决这个问题

从源码安装的官方教程总体来说还是非常麻烦的，需要很多依赖，安装一些其他的东西。
基本过程可以概括为三步：

• 下载TensorFlow源码
• 准备安装环境 （此处需要安装很多东西）
• 构建pip软件包（一个.whl后缀文件），使用pip命令进行本地安装

其中2，3步骤都非常负责，及其容易出错。最终采用的是另外一种方法,如下3。

3. 到这个GitHub repo下载自己对应版本的pip软件包。

一定要对应版本!
版本查看方式：直接在命令行中输入python即可查看python的版本和GCC的版本号

>>>python
Python 3.6.5 (default, Apr 25 2018, 14:23:58) 
[GCC 4.2.1 Compatible Apple LLVM 9.1.0 (clang-902.0.39.1)] on darwin
Type "help", "copyright", "credits" or "license" for more information.
>>>

从中可以得出我们的版本 Python 3.6.5 clang-902.0.29.1，又这两个版本号加上自己的系统名在上面的GitHub repo里面选择对应的软件包。下载下来相当于直接完成了官网教材的前3步。
所以只需要执行第4步。

pip install --ignore-installed --upgrade /path/to/binary.whl

注意 ：

Python3的pip命令是pip3 这条语句可以忽略我们已经安装好的tf包，不需要卸载，会直接升级过去。很方便。

三、材料补充说明

什么是SSE4.2和AVX？
SIMD (Single Instruction Multiple Data)单指令流多数据流，是一种采用一个控制器来控制多个处理器，同时对一组数据（又称“数据向量”）中的每一个分别执行相同的操作从而实现空间上的并行性技术。
在微处理器中，SIMD则是一个控制器控制多个并行的处理微元，例如Intel的MMX或SSE，以及AMD的3D NOW指令集。
所以说SSE4.2和AVX都是一种SIMD指令集。
对于TF tasks。SSE4.2和AVX使向量和矩阵计算更加高效。具体可以看这个课件。
所以该怎么做，大概只能重装一遍tensorflow了。注意这次重装时候要从源码安装，从在源码安装的时候进行相关的设置。

。