Dies ist kein Fehler, sondern nur Warnungen, die darauf hinweisen, dass es auf Ihrem Computer schneller sein kann, wenn Sie TensorFlow aus der Quelle erstellen.

SO Frage dazu: http://stackoverflow.com/questions/41293077/how-to-compile-tensorflow-with-sse4-2-and-avx-instructions
TensorFlow-Anleitung zum Erstellen aus der Quelle: https://www.tensorflow.org/install/install_sources

Wie @Carmezim sagte, handelt es sich lediglich um Warnmeldungen.
Für jedes Ihrer Programme werden sie nur einmal angezeigt.
Und genau wie die Warnungen sagen, sollten Sie TF nur mit diesen Flags kompilieren, wenn Sie TF schneller machen müssen.

Sie können unserer Anleitung zur Installation von TensorFlow aus Quellen folgen, um TF mit Unterstützung für SIMD-Befehlssätze zu kompilieren.

OK danke. Ich verstehe es.

Gibt es eine Möglichkeit, das zum Schweigen zu bringen?

Die einzige Möglichkeit, diese Warnmeldungen zum Schweigen zu bringen, besteht darin, aus Quellen zu erstellen, indem Sie die Option --config opt .

Eine Art "Workaround" (wenn auch unvollkommen), der die Nachrichten auf Unix/Linux/OSX umleitet:
python myscript.py 2>/dev/null

@CGTheLegend @ocampesato Sie können die TF-Umgebungsvariable TF_CPP_MIN_LOG_LEVEL und es funktioniert wie folgt:

• Der Standardwert ist 0 und zeigt alle Protokolle an
• Um INFO Logs herauszufiltern, setzen Sie ihn auf 1
• WARNINGS zusätzlich, 2
• und um zusätzlich ERROR Logs herauszufiltern, setze es auf 3

Sie können also Folgendes tun, um die Warnungen stumm zu schalten:

import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
import tensorflow as tf

@gunan @mrry Ich habe viele Leute gesehen, die daran interessiert sind, die Warnungen zum Schweigen zu bringen. Besteht Interesse daran, diese Art von Informationen zu den Dokumenten hinzuzufügen?

Ich installiere von der Tensorflow-Installationsanleitung, habe auch diese Warnung erhalten.

pip3 install --upgrade tensorflow

@jadeydi Anstatt aus dem Quellcode zu kompilieren, installiert "pip" einfach auch die Binärdatei, damit Sie diese Warnungen weiterhin erhalten.

Ich habe gerade Tensorflow mit Unterstützung für SSE4.1 SSE4.2 AVX AVX2 und FMA kompiliert. Der Build ist hier verfügbar: https://github.com/lakshayg/tensorflow-build . Ich hoffe, das ist nützlich.

Hallo @lakshayg , danke fürs Teilen. Vielleicht möchten Sie https://github.com/yaroslavvb/tensorflow-community-wheels überprüfen

Etwa viel schneller ist der Build im Vergleich zum Standard pip install tensorflow-gpu auf Ubuntu? Ist es nur bei CPU-Berechnungen schneller oder haben GPU-Berechnungen einen Vorteil?

http://www.anandtech.com/show/2362/5

Dies ist bei Google aufgetaucht und hat einige anständige technische Details.

test ist eine DivX-Kodierung mit VirtualDub 1.7.6 und DivX 6.7. SSE4 kommt ins Spiel, wenn Sie einen neuen vollständigen Suchalgorithmus für die Bewegungsschätzung aktivieren, der durch zwei SSE4-Anweisungen beschleunigt wird: MPSADBW und PHMINPOSUW . Die Idee ist, dass die Bewegungsschätzung (um herauszufinden, was in nachfolgenden Videoframes passieren wird) eine Menge Berechnung von Summen absoluter Differenzen sowie das Finden der Mindestwerte der Ergebnisse dieser Berechnungen erfordert. Der SSE2-Befehl PSADBW kann zwei Summen von Differenzen aus einem Paar von 16B vorzeichenlosen ganzen Zahlen berechnen; die SSE4-Anweisung MPSADBW kann acht tun.

...

Auf unserem QX9650 läuft die vollständige Suche mit aktiviertem SSE4 etwa 45 % schneller als mit nur SSE2

Jetzt wissen Sie, welche Funktionen tensorflow verwendet, aber der Aufwand könnte sich lohnen.

Es tut mir leid, aber es ist eine lächerliche Sache, standardmäßig in allen TF-Skripten ausgegeben zu werden. Die meisten Leute kompilieren wahrscheinlich nicht TF aus dem Quellcode und wollen es auch nicht.

@TomAshley303 , das ist eine ziemlich tolle Info! Ich habe nicht vor, aus dem Quellcode neu zu kompilieren. Ich will nicht. Aber die Info sagt mir, was zu tun ist, wenn mein Modell groß und langsam wird und eine Leistungssteigerung benötigt. Es ist normalerweise billiger, mit Erweiterungen neu zu kompilieren, als neue Hardware zu kaufen, da gute Walkthroughs (die wir haben) die Arbeitskosten für die Neukompilierung minimiert (CPU-Zeit spielt keine Rolle, kann über Nacht laufen).

Ich habe den Prozess durchlaufen ... War unkompliziert und nahm sich überhaupt keine Zeit. Nicht Ihr üblicher C++-Albtraum.

Ich habe ein kleines Bash-Skript, um TF unter MacOS/Linux zu kompilieren. Es berechnet dynamisch CPU-Features und legt sie als Build-Parameter fest. Ich dachte daran, eine PR zu erstellen, fand aber keinen Ordner mit Skripten (Helfern) für lokale Builds, nur ci_build. Wenn es Sinn macht werde ich es machen

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

Eine Anmerkung an @gunan

Ich bin auf dieses Problem gestoßen, als ich TensorFlow zum ersten Mal installiert habe. Jetzt muss ich herausfinden, wie ich das Problem wieder lösen kann, da ich TensorFlow auf einem neuen Computer installiere. Es ist ein Schmerz im Nacken, und die Dokumentation, die Sie bereitgestellt haben, ist überhaupt nicht klar.

Die Tatsache, dass ich es auf meiner Seite tun muss, ist lächerlich und ärgerlich. Es bringt nichts, etwas von pip/pip3 zur Verfügung zu stellen, wenn es dann den ganzen Tag nur Warnungen auf Sie wirft.

Zumindest sollten Sie https://www.tensorflow.org/install/install_sources bearbeiten und explizit erklären, wie Sie es mit SSE / AVX kompilieren

Die Lösung, die für mich funktioniert hat: Geben Sie "-mavx -msse4.1 -msse4.2" ein, wenn Sie während des Konfigurationsprozesses dazu aufgefordert werden (wenn Sie ./configure ausführen).

Ist es so schwer, dies in Ihre Installationsanleitung aufzunehmen?

Vielen Dank, laut der Antwort von @Carmezim bekomme ich die CPU-Beschleunigungsversion basierend auf avx und sse. Ich habe schnelleres-rcnn(resnet-101) auf Intel getestet. Die Kostenzeit beschleunigt sich um etwa 30%, es ist wirklich nützlich.

Sie können die Warnungen stummschalten.
Fügen Sie diese Codes einfach oben hinzu.
Importieren von OS
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
Tensorflow als tf importieren
Wie hier erwähnt: https://stackoverflow.com/a/44984610

Sie können ganz einfach eine Benutzervariable in der Systemumgebungsvariable hinzufügen:
TF_CPP_MIN_LOG_LEVEL, Wert = 2. Starten Sie dann Ihre IDE neu

@mikalyoung Verbesserungen für GPU-Berechnungen sind nicht zu erwarten, da diese Befehlssätze nur CPU sind und vektorisierte Operationen ermöglichen.
Wenn Sie also zwei Codes vergleichen, die (idealerweise) zu 100% auf GPUs laufen, einen auf einer mit SIMD-Unterstützung kompilierten Tensorflow-Instanz und einen ohne, sollten Sie die gleichen Ergebnisse in Bezug auf Geschwindigkeit (und hoffentlich auch numerisch) erhalten.

IC:\tf_jenkinshome\workspace\rel-win\M\windows\PY\36\tensorflow\core\platform\cpu_feature_guard.cc:137] Ihre CPU unterstützt Anweisungen, für die diese TensorFlow-Binärdatei nicht kompiliert wurde: AVX AVX2

Wie Sie sehen können, ist die Warnung auch bei meinem System, aber darin kann ich 'Ich' am Anfang der Warnung nicht verstehen, sodass mir in diesem Fall jemand helfen kann

"I" ist nur eine Abkürzung für "INFO". Die anderen Buchstaben, die Sie dort sehen können, sind E für Fehler oder F für fatal.

Also habe ich mit Conda installiert. Wenn ich jetzt aus dem Quellcode kompilieren möchte, um einen Geschwindigkeitsschub zu nutzen, muss ich dann etwas tun, um meine Conda-Installation von tensorflow zu entfernen? Oder ist es in einem eigenen kleinen Container und ich kann separat aus dem Quellcode kompilieren?

Ich hatte DeepSpeech und auch einen DeepSpeech-Server installiert. Ging den Server zu starten und erhielt eine Fehlermeldung - "2018-01-17 08:21:49.120154: F tensorflow/core/platform/cpu_feature_guard.cc:35] Die TensorFlow-Bibliothek wurde kompiliert, um AVX2-Anweisungen zu verwenden, aber diese sind ' t auf Ihrem Gerät verfügbar.
Abgebrochen (Core Dumped)"

Anscheinend muss ich TensorFlow auf demselben Computer kompilieren. Gibt es irgendwo eine Liste, die zu Kubuntu 17.10.1 und einem HP Probook 4330S passt?

Warum gibt es keine Windows-Kompilierungen? Ich habe die gleichen Probleme, aber anstatt die Warnungen stumm zu schalten, möchte ich meine GPU verwenden, ich habe auch eine und eine Grafikkarte und nicht Nvidia. Was soll ich tun?

*Ich habe keine Nvidia-Grafikkarte, ich habe eine und eine, was soll ich tun?

*AMD-Grafikkarte.. Autokorrektur

Dies sind nicht nur Warnungen, da der Prozess auf meinen Testboxen beendet wird. Da ich auch AMD-GPUs verwende, habe ich eine Digital Ocean Tensorflow-Box gedreht, um dies auszuprobieren, aber es scheint auch dort keine GPU-Unterstützung zu geben, und es scheitert kläglich.

`# Job-ID 0

Laden von hparams von /home/science/tf-demo/models/nmt-chatbot/model/hparams

hparams in /home/science/tf-demo/models/nmt-chatbot/model/hparams speichern
hparams in /home/science/tf-demo/models/nmt-chatbot/model/best_bleu/hparams speichern
Aufmerksamkeit=scaled_luong
Aufmerksamkeit_Architektur=Standard
batch_size=128
beam_width=10
best_bleu=0
best_bleu_dir=/home/science/tf-demo/models/nmt-chatbot/model/best_bleu
check_special_token=Wahr
colocate_gradients_with_ops=True
Zerfallsfaktor=1.0
Decay_steps=10000
dev_prefix=/home/science/tf-demo/models/nmt-chatbot/data/tst2012
Ausfall=0,2
Encoder_Typ=bi
eos=
epoch_step=0
vergessen_bias=1.0
infer_batch_size=32
init_op=uniform
init_weight=0,1
Lernrate=0,001
learning_rate_decay_scheme=
length_penalty_weight=1.0
log_device_placement=Falsch
max_gradient_norm=5.0
max_train=0
Metriken=['bleu']
num_buckets=5
num_embeddings_partitions=0
num_gpus=1
num_layers=2
num_residual_layers=0
num_train_steps=500000
num_translations_per_input=10
Anzahl_Einheiten=512
Optimierer=adam
out_dir=/home/science/tf-demo/models/nmt-chatbot/model
output_attention=Wahr
override_loaded_hparams=Wahr
pass_hidden_state=Wahr
random_seed=Keine
Rest=Falsch
share_vocab=Falsch
sos=
source_reverse=Falsch
src=von
src_max_len=50
src_max_len_infer=Keine
src_vocab_file=/home/science/tf-demo/models/nmt-chatbot/data/vocab.from
src_vocab_size=15003
start_decay_step=0
steps_per_external_eval=Keine
steps_per_stats=100
subword_option=
test_prefix=/home/science/tf-demo/models/nmt-chatbot/data/tst2013
tgt=to
tgt_max_len=50
tgt_max_len_infer=Keine
tgt_vocab_file=/home/science/tf-demo/models/nmt-chatbot/data/vocab.to
tgt_vocab_size=15003
time_major=Wahr
train_prefix=/home/science/tf-demo/models/nmt-chatbot/data/train
unit_type=lstm
vocab_prefix=/home/science/tf-demo/models/nmt-chatbot/data/vocab
warmup_scheme=t2t
warmup_steps=0

Zugdiagramm erstellen ...

num_bi_layers = 1, num_bi_residual_layers=0
cell 0 LSTM, forget_bias=1 DropoutWrapper, dropout=0.2 DeviceWrapper, device=/ gpu:0
cell 0 LSTM, forget_bias=1 DropoutWrapper, dropout=0.2 DeviceWrapper, device=/ gpu:0
cell 0 LSTM, forget_bias=1 DropoutWrapper, dropout=0.2 DeviceWrapper, device=/ gpu:0
Zelle 1 LSTM, forget_bias=1 DropoutWrapper, dropout=0.2 DeviceWrapper, device=/ gpu:0
Lernrate=0.001, Aufwärmschritte=0, Aufwärmschema=t2t
Decay_scheme=, start_decay_step=0, Decay_steps 10000, Decay_Faktor 1

Trainierbare Variablen

Einbettungen/Encoder/Einbettung_Encoder :0 , (15003, 512),
Einbettungen/Decoder/Einbettung_Decoder :0 , (15003, 512),
dynamic_seq2seq/encoder/bidirektional_rnn/fw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirektional_rnn/fw/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/encoder/bidirektional_rnn/bw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirektional_rnn/bw/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/decoder/memory_layer/ kernel:0 , (1024, 512),
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_0/basic_lstm_cell/ kernel:0 , (1536, 2048), / device:GPU :0
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_0/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_1/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_1/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/decoder/attention/luong_attention/attention_g:0, (), / device:GPU :0
dynamic_seq2seq/decoder/attention/attention_layer/ kernel:0 , (1536, 512), / device:GPU :0
dynamic_seq2seq/decoder/output_projection/ kernel:0 , (512, 15003), / device:GPU :0

Auswertungsgraph erstellen ...

num_bi_layers = 1, num_bi_residual_layers=0
Zelle 0 LSTM, forget_bias=1 DeviceWrapper, device=/ gpu:0
Zelle 0 LSTM, forget_bias=1 DeviceWrapper, device=/ gpu:0
Zelle 0 LSTM, forget_bias=1 DeviceWrapper, device=/ gpu:0
Zelle 1 LSTM, forget_bias=1 DeviceWrapper, device=/ gpu:0

Trainierbare Variablen

Einbettungen/Encoder/Einbettung_Encoder :0 , (15003, 512),
Einbettungen/Decoder/Einbettung_Decoder :0 , (15003, 512),
dynamic_seq2seq/encoder/bidirektional_rnn/fw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirektional_rnn/fw/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/encoder/bidirektional_rnn/bw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirektional_rnn/bw/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/decoder/memory_layer/ kernel:0 , (1024, 512),
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_0/basic_lstm_cell/ kernel:0 , (1536, 2048), / device:GPU :0
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_0/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_1/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_1/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/decoder/attention/luong_attention/attention_g:0, (), / device:GPU :0
dynamic_seq2seq/decoder/attention/attention_layer/ kernel:0 , (1536, 512), / device:GPU :0
dynamic_seq2seq/decoder/output_projection/ kernel:0 , (512, 15003), / device:GPU :0

Inferdiagramm erstellen ...

num_bi_layers = 1, num_bi_residual_layers=0
Zelle 0 LSTM, forget_bias=1 DeviceWrapper, device=/ gpu:0
Zelle 0 LSTM, forget_bias=1 DeviceWrapper, device=/ gpu:0
Zelle 0 LSTM, forget_bias=1 DeviceWrapper, device=/ gpu:0
Zelle 1 LSTM, forget_bias=1 DeviceWrapper, device=/ gpu:0

Trainierbare Variablen

Einbettungen/Encoder/Einbettung_Encoder :0 , (15003, 512),
Einbettungen/Decoder/Einbettung_Decoder :0 , (15003, 512),
dynamic_seq2seq/encoder/bidirektional_rnn/fw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirektional_rnn/fw/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/encoder/bidirektional_rnn/bw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirektional_rnn/bw/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/decoder/memory_layer/ kernel:0 , (1024, 512),
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_0/basic_lstm_cell/ kernel:0 , (1536, 2048), / device:GPU :0
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_0/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_1/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/decoder/attention/multi_rnn_cell/cell_1/basic_lstm_cell/ bias:0 , (2048,), / device:GPU :0
dynamic_seq2seq/decoder/attention/luong_attention/attention_g:0, (), / device:GPU :0
dynamic_seq2seq/decoder/attention/attention_layer/ kernel:0 , (1536, 512), / device:GPU :0
dynamic_seq2seq/decoder/output_projection/ kernel:0 , (512, 15003),

log_file=/home/science/tf-demo/models/nmt-chatbot/model/log_1519669184

2018-02-26 18:19:44.862736: I tensorflow/core/platform/cpu_feature_guard.cc:137] Ihre CPU unterstützt Anweisungen, dass diese TensorFlow-Binärdatei nicht für die Verwendung kompiliert wurde: SSE4.1 SSE4.2 AVX AVX2 FMA
Getötet`

welcher Befehl ausgeführt werden muss und wo diese Befehle ausgeführt werden sollen und wie bitte sagen Sie es. Ich brauche dringend Hilfe.

Aber bedeutet das, dass das System keine GPU für den Prozess verwendet?

Nun, Sie müssen dies beheben, wenn Sie Tensorflow in einer Beschleunigungsumgebung erstellen, wie z. B. die Verwendung von k-fold im KerasClassifier.
Um dies zu beheben, müssen Sie Tensorflow aus dem Quellcode erstellen, wie es jeder empfiehlt.
Um Tensorflow aus dem Quellcode zu erstellen, benötigen Sie das folgende Tool

1. Installieren Sie git auf Ihrem Computer, wenn Sie es noch nicht getan haben - auf einem Ubuntu-Computer geben Sie einfach "sudo apt-get install git" ein
2. Sie müssen Bazel installieren. Es wird dringend empfohlen, das benutzerdefinierte APT-Repository zu verwenden. Folgen Sie den Anweisungen unter diesem Link, um Bazel https://docs.bazel.build/versions/master/install-ubuntu.html zu installieren
3. Sie müssen die folgenden Python-Abhängigkeiten verwenden ... mit dem folgenden Befehl
   numpy, dev und rad
   sudo apt-get install python-numpy python-dev python-pip python-wheel
   4. Sobald Sie alle Abhängigkeiten installiert haben, klonen Sie den Tensorflow-Github auf Ihr lokales Laufwerk
   Git-Klon https://github.com/tensorflow/tensorflow
4. Gehen Sie zu dem Speicherort, um tensorflow zu klonen, und cd zur tensorflow-Datei und führen Sie die Konfigurationsdatei aus
   CD-Tensor
   ./konfigurieren

Folgen Sie einfach den Anweisungen auf dem Bildschirm, um die Installation von tensorflow abzuschließen.
Ich werde dringend empfehlen, Ihren Computer zu aktualisieren, sobald Tensorflow installiert ist
sudo apt-get update

Viel Glück und viel Spaß...

Ich stimme diesem Thread nur zu, dass Sie diese Warnungen nicht einfach zum Schweigen bringen sollten - ich bekomme ungefähr 43% schnellere Trainingszeit, indem ich aus der Quelle baue, ich denke, es lohnt sich.

• Die Anweisungen von Tensorflow zum Erstellen
• ...aber sie erklären nicht wirklich, wie man SSE/AVX/FMA usw. einschaltet - also nutze diesen Thread , um eine Vorstellung

So installieren Sie Tensorflow mit dieser Datei" tensorflow-1.6.0-cp36-cp36m-win_amd64.whl"

@anozele pip3 install --upgrade *path to wheel file*

@gunan --config=opt ist nicht genug, Sie sollten auch zB --copt="-msse4.2" hinzufügen, wenn Sie TensorFlow aus dem Quellcode erstellen.

Laut Intel, https://software.intel.com/en-us/articles/intel-optimization-for-tensorflow-installation-guide , Wenn Sie Tensorflow von Intel verwenden, können Sie diese Warnung ignorieren, da alle verfügbaren Befehlssätze vom Backend MKL verwendet werden. Kann das jemand von Tensorflow bestätigen?

Dies ist kein Fehler, sondern nur Warnungen, die darauf hinweisen, dass es auf Ihrem Computer schneller sein kann, wenn Sie TensorFlow aus der Quelle erstellen.

SO Frage dazu: http://stackoverflow.com/questions/41293077/how-to-compile-tensorflow-with-sse4-2-and-avx-instructions
TensorFlow-Anleitung zum Erstellen aus der Quelle: https://www.tensorflow.org/install/install_sources

Es ist jedoch nicht schneller als ich nicht verwende -FMA -AVX -SSE https://stackoverflow.com/questions/57197854/fma-avx-sse-flags-did-not-bring-me-good-performance

Hi. Tut mir leid, wenn ich ein totes Pferd schlage. Ich frage mich nur, warum das Standard-Pip-Rad nicht die Binärdateien sind, die mit Vorausanweisungen kompiliert wurden?

Hi. Tut mir leid, wenn ich ein totes Pferd schlage. Ich frage mich nur, warum das Standard-Pip-Rad nicht die Binärdateien sind, die mit Vorausanweisungen kompiliert wurden?

Dies liegt daran, dass alte CPU-Architekturen keinen erweiterten Befehlssatz unterstützen. Siehe Wiki für eine detaillierte Liste der CPUs, die AVX, AVX2 oder AVX512 unterstützen. Wenn die Standard-Pip-Binärdatei mit diesen Befehlssätzen kompiliert wird, kann Tensorflow auf alten CPUs nicht funktionieren.

Aber bedeutet das, dass das System keine GPU für den Prozess verwendet?

Nein, es wird angezeigt, auch wenn Sie GPU verwenden. Wenn Sie die Meldungen nicht stummgeschaltet haben, sollten Sie auch sehen, dass Tensorflor Ihr GPU-Gerät in der Eingabeaufforderung lädt.

Wenn Sie mit diesem Repository überprüfen:
Bitte überprüfen Sie den folgenden Code:

https://github.com/fo40225/tensorflow-windows-wheel

Er hat fast alle Versionen von TF mit SSE und AVX kompiliert
Er hat fast alle TF-Versionen kompiliert!

Dieser Artikel war ein gutes Tutorial zum Erstellen aus dem Quellcode einschließlich der Flags
https://medium.com/@pierreontech/setup -a-high-performance-conda-tensorflow-environment-976995158cb1

Versuchen Sie, die Aufnahme der entsprechenden Erweiterungen zu erzwingen, indem Sie zusätzliche Bazel-Optionen wie --copt=-mavx --copt=-msse4.1 --copt=-msse4.2