Tensorflow: Unzulässige Anweisung (Core Dumped) nach dem Ausführen von import tensorflow

Vielen Dank für Ihren Beitrag. Wir haben festgestellt, dass Sie das folgende Feld in der Problemvorlage nicht ausgefüllt haben. Könnten Sie sie aktualisieren, wenn sie in Ihrem Fall relevant sind, oder sie als N/A belassen? Vielen Dank.
Bazel-Version
CUDA/cuDNN-Version
GPU-Modell und Speicher

Ich habe das gleiche (oder ähnliche) Problem mit "illegaler Anweisung", wenn ich laufe

import tensorflow as tf

Ich verwende nur die CPU 1.6-Version auf 64-Bit-Ubuntu-Linux.

Nach einem Downgrade auf die CPU 1.5-Version tritt dieses Problem nicht auf.

Wie kann ich auf die CPU 1.5 Version downgraden?

Versuchen Sie zu laufen
pip deinstallieren tensorflow
Und dann
pip installieren tensorflow==1.5

BEARBEITEN
nur um Kredit zu geben, die Lösung ist von hier:
https://stackoverflow.com/questions/49094597/illegal-instruction-core-dumped-after-running-import-tensorflow

Danke konnerthg, auch ich hatte das gleiche Problem. Ihr Befehl hat mir geholfen, dieses Problem zu lösen. Danke noch einmal.

Hier gilt das gleiche.
Mit dem neuesten Rad hatte ich das Problem mit illegalen Befehlen unter Ubuntu 16.04, aber ich habe ein Downgrade auf tensorflow-gpu==1.5 durchgeführt und es funktioniert!

Downgrade auf 1.5 hat bei mir auch funktioniert

@konnerthg Ein Downgrade auf 1.5 ist nur ein
Welches Commit/PR hat dieses Problem gelöst?

Ich erhalte diesen Fehler auch in Python 3.6

Hey !
Danke für deine Lösung! Wirklich. Ich habe dieses Problem seit einer Woche und ich wurde langsam verrückt! Danke !

DANKE für die Lösung.Es funktionierte auf meinem Ubuntu 16.04, 64 Bit, Python3.5.

Danke für die Lösung! Ein Downgrade auf Version 1.5 hat das Problem behoben. Getestet auf einem Ubuntu 16.04 Server mit Python 2.7

Das gleiche Problem wurde durch ein Downgrade von Tensorflow 1.6 auf 1.5 behoben. Ausführen von Xubuntu 16.04 64-Bit, Python 3.5.

Vielen Dank für all dies, um mein Problem mit Python 3.6 zu lösen

_ (tensorflow) naniny@Aspire-E5-573 :~$ pip deinstallieren tensorflow

_(tensorflow) naniny@Aspire-E5-573 :~$ pip install tensorflow==1.5

_(tensorflow) naniny@Aspire-E5-573 :~$python

_ (tensorflow) naniny@Aspire-E5-573 :~$ Tensorflow als tf importieren

funktioniert jetzt ohne probleme...

Das ist wirklich seltsam. Weiß jemand, was das Problem verursacht? Ich bin überrascht, dass TensorFlow 1.6 einen so großen Fehler haben würde.

Ich stoße auch auf dieses Problem mit tensorflow-gpu 1.6.0 unter Linux mit Python 3.6.4. Ich habe tensorflow mit pip selbst installiert. Wenn Sie dies einfach ausführen, erhalten Sie ein SIGILL:

$ python3 -m tensorflow
zsh: illegal hardware instruction  python3 -m tensorflow

Ich erhalte Stack-Traces, die denen in der Beschreibung dieses Tickets ähneln.

Dies scheint auf die Verwendung von AVX-Anweisungen in den neuesten Tensorflow-Paketen zurückzuführen zu sein, die auf pip hochgeladen wurden. Das Ausführen von Python3 über GDB und das Zerlegen der Absturzfunktion weisen auf diese Anweisung hin:

=> 0x00007fffb9689660 <+80>:    vmovdqu 0x10(%r13),%xmm1

Dies ist eine AVX-Anweisung, die auf älteren oder weniger leistungsstarken CPUs, die keine AVX-Unterstützung haben, nicht unterstützt wird. Die pip-Pakete tensorflow(-gpu) 1.5.0 verwenden keine AVX-Anweisungen, und daher gibt es keine Probleme mit diesen CPUs.

Die Lösung wäre, einen Build von tensorflow(-gpu), der nicht mit AVX-Anweisungen kompiliert ist, zu veröffentlichen (oder eine Kopie lokal zu erstellen). In den mitgelieferten Installationsanweisungen werden keine spezifischen CPU-Anforderungen erwähnt oder die Kompatibilität mit den bereitgestellten Binärdateien festgestellt.

In der Zwischenzeit ist die Rückkehr zu tensorflow(-gpu) 1.5.0 mit etwas wie dem oben erwähnten

Ich habe das gleiche Problem, und wie viele kommentiert haben, stufen Sie von 1.6.0 auf 1.5.0 .

Für die Aufzeichnung habe ich versucht, Tensorflow (nur CPU-Version) auf 2 verschiedenen Computern auszuführen:

Computer 1:

OS = Ubuntu 16.04 x64 LTS
Python = Python 3.6
pip version = 9.0.1
tensorflow version = TensorFlow 1.6.0
CPU = Intel Core 2 Quad Q6600  @2.40GHz

Computer 2:

OS = Ubuntu 16.04 x64 LTS
Python = Python 3.6
pip version = 9.0.1
tensorflow version = TensorFlow 1.6.0
CPU = Intel Celeron N2820 @2.413GHz

Ich stimme @nacl zu, dass wir diese Anforderungen an den Befehlssatz klarer und wenn möglich einen separaten, aktualisierten Build für Prozessoren haben sollten, die AVX-Befehle nicht unterstützen. Um ehrlich zu sein, finde ich es etwas entmutigend, mit veralteten Versionen irgendeiner Technologie arbeiten zu müssen, ich denke, vielen geht es genauso.

Die Alternative zu einem unterschiedlichen Build für jeden Architekturtyp ist die Verwendung von dynamischem Dispatch. IE, PyTorch hat eine Binärdatei für alle Architekturen und wählt die effizientesten Operationen während der Laufzeit

Vielen Dank

Ich stoße auch auf das gleiche Problem. Ich habe es auf zwei Maschinen ausprobiert und auf einer funktioniert es.

Zuerst habe ich es auf meinem MacBook Pro installiert. Und ich hatte keine Probleme.

MacBook Pro (Retina, Mid 2012)
CPU = 2.3 GHz Intel Core i7
OS = MacOS 10.13.3
Python = Python 3.6.4
pip version = 9.0.3
TensorFlow version = 1.6.0

Also habe ich meinen MacPro aktualisiert. Aber dieses Mal bekomme ich Illegal instruction: 4 wenn ich versuche, Tensorflow zu importieren.

Mac Pro (Mid 2010)
CPU = 2 x 2.4 GHz Quad-Core Intel Xeon
OS = MacOS 10.13.3
Python = Python 3.6.4
pip version = 9.0.3
TensorFlow version = 1.6.0

(Aktualisiert am 30.03.2018)
Das gleiche Problem mit TensorFlow 1.7. Ich nehme also an, dass ich TensorFlow 1.5 verwende.

Dies ist immer noch ein Problem in 1.6 und möglicherweise in 1.7. Warum ist das geschlossen? Die Lösung von @yaroslavvb scheint vernünftig. Ich habe jetzt auf 1,5 herabgestuft.

Ich bin mir nicht sicher, aber von diesem Link wurde seit Version 1.6.0 der Intel CPU Instruction Optimizer in Tensorflow eingeführt. Ich denke, dass wahrscheinlich dies die Ursache ist.
https://software.intel.com/en-us/articles/intel-optimized-tensorflow-wheel-now-available

@captainst das ist eine Intel-spezifische Version, die sich von der offiziellen Version unterscheidet, die Sie erhalten, indem Sie pip install ausführen . SIGILL-Probleme nach dem Upgrade auf 1.6 werden wahrscheinlich durch das Hinzufügen von AVX verursacht

Ich habe das gleiche Problem.
Ubuntu 18.04 x64
Python 3.6.5rc1
TensorFlow 1.7.0

Ich hatte das gleiche Problem. Downgrade auf 1.5 hat bei mir funktioniert.

Hier gilt das gleiche.

Ich auch. Arch Linux und Intel-CPU.

Das gleiche hier auf Ubuntu 17. 10.1 VM, KVM-Hypervisor auf Slackware, Intel KabyLake CPU

Ich glaube, ich habe es herausgefunden. Ich habe eine G4600-CPU, der AVX-Unterstützung fehlt, und diese wurde in 1.6 hinzugefügt.

Ja, ich sperre von AVX-Unterstützung auch.

Um dies ab v1.6 zu beheben, müssen Sie tensorflow aus dem Quellcode kompilieren.

Ich möchte die neueste tensorflow-gpu (1.7) verwenden und möchte nicht bei 1.5 bleiben. Ist die Lösung zum Erstellen von Tensorflow aus dem Quellcode ohne aktivierte AVX-Unterstützung? Ich habe einen alten Xeon E5420, verwende aber tensorflow-gpu

dmoham1476 [email protected]于2018年4月7日 周六上午2:28写道：

Ich möchte die neueste tensorflow-gpu (1.7) verwenden und möchte nicht daran festhalten
1.5. So ist die Lösung zum Erstellen von Tensorflow aus dem Quellcode ohne AVX-Unterstützung
aktiviert? Ich habe einen alten Xeon E5420, verwende aber tensorflow-gpu

—
Sie erhalten dies, weil Sie einen Kommentar abgegeben haben.
Antworten Sie direkt auf diese E-Mail und zeigen Sie sie auf GitHub an
https://github.com/tensorflow/tensorflow/issues/17411#issuecomment-379337106 ,
oder den Thread stumm schalten
https://github.com/notifications/unsubscribe-auth/AGeJnptN5yMdVaVdWTsIwcjOAJuJbUDQks5tl7PKgaJpZM4SbSGu
.

Sie können aus dem Quellcode des Git-Clone-Masters erstellen. Es sollte sich automatisch anpassen

zu deiner CPU.

Grüße,

Jin

Ein Downgrade auf Version 1.5 hat das Problem behoben. Ich verwende Ubuntu 16.04 mit Python 2.7

Gleiches Problem
Ubuntu=16.10
Python=3.6
pip=9.0.3
mit Tensorflow-gpu= 1.7
NVIDIA GTX 1070
CUDA 9.0

gelöst durch:
pip3 installiere tensorflow-gpu==1.5

Dasselbe Problem

gleiches Problem
Ubuntu 16.04
mit tensorflow-gpu 1.7 und 1.6

Dasselbe Problem bei diesem Docker-Image, das in einem Paperspace-Notebook ausgeführt wird.

Das Problem ist mit den Versionen 1.6 und 1.7

Habe das gleiche Problem, auf 1.5 herabgestuft. Tensorflow importiert jetzt, aber ich führe ein Skript aus, das tensorflow_hub benötigt. Skript wirft RuntimeError: TensorFlow Hub hängt von 'tf-nightly' Build nach 20180308 oder 'tensorflow~=1.7' ab. Gefunden tf.VERSION = 1.5.0

Danke zurück zu Version 1.5 hat bei mir auch funktioniert

Ich hatte das gleiche Problem mit tf`1.8 auf CentOS 7, nur CPU. Downgrade auf 1,5 hat funktioniert.

Für diejenigen, die kein Downgrade durchführen möchten, wenn Sie aus der Quelle erstellen, ist das Problem behoben.

Da ich das gleiche Problem hatte, hat das Downgrade auf 1.5 bei mir funktioniert.

Hatte dieses Problem auch gerade auf tensorflow-gpu 1.8.0 auf der Paperspace fast.ai-Vorlagenmaschine

Ich habe das gleiche Problem mit tensorflow-1.8.0. Das Problem ist, dass ich kein Downgrade auf Version 1.5 durchführen kann, da ich mit retrain.py trainieren möchte und für diese Tensorflow-Version größer als 1.7 erforderlich ist. Also, irgendwelche Vorschläge? Wird es hilfreich sein, wenn ich Tensorflow aus der Quelle baue?!

Gleiches Problem hier:
paperspace VM mit fast.ai-Vorlage
GPU: nvidia quadro P4000
tensorflow 1.8.0, das in virtualenv wie in https://www.tensorflow.org/install/install_linux#installing_with_virtualenv installiert wurde, gab den obigen Fehler (einschließlich bei der Installation des empfohlenen Rads, das am Ende der Seite erwähnt wird)
ubuntu 16.04, Python 3.6.3
pip uninstall tensorflow && pip install tensorflow-gpu==1.5.0 das Problem behoben. Ich habe noch nicht versucht, aus dem Quellcode zu kompilieren.

Als Randnotiz gibt grep avx /proc/cpuinfo nichts zurück, sodass die CPU meiner VM keine Avx-Anweisungen unterstützt.

Hallo zusammen, das Erstellen aus der Quelle hat das Problem für mich gelöst.

تاریخ یکشنبه ۱۳ مهٔ ۲۰۱۸،‏ ۱:۴۷ laurentS [email protected] :

Gleiches Problem hier:
paperspace VM mit fast.ai-Vorlage
GPU: nvidia quadro P4000
tensorflow 1.8.0 in virtualenv wie in . installiert
https://www.tensorflow.org/install/install_linux#installing_with_virtualenv
habe den Fehler oben gegeben
ubuntu 16.04, Python 3.6.3
pip deinstallieren tensorflow && pip install tensorflow-gpu==1.5.0 hat das Problem behoben
Problem. Ich habe noch nicht versucht, aus dem Quellcode zu kompilieren.

—
Sie erhalten dies, weil Sie einen Kommentar abgegeben haben.
Antworten Sie direkt auf diese E-Mail und zeigen Sie sie auf GitHub an
https://github.com/tensorflow/tensorflow/issues/17411#issuecomment-388583280 ,
oder den Thread stumm schalten
https://github.com/notifications/unsubscribe-auth/APaJX3BUFgxCemEueanuAXMfqboX5MNqks5tx1FugaJpZM4SbSGu
.

Ich habe das gleiche Problem, aber nach der Umstellung auf Tensorflow-1.5 hat es bei mir funktioniert.
Mein Problem:- Fehler -> Core Dumped
Prozessor: AMD® A4-3330mx-Apu mit Radeon(tm)-HD-Grafik × 2
Grafik: AMD® Sumo
GNOME: 3.28.1
Betriebssystemtyp: 64-Bit, Ubuntu 18.04 LTS

Quelle :

Natürlich funktioniert es mit früheren Versionen von tensorflow, aber ich brauche genauer die Version 1.7.0, die mit dem neuen tensorflowjs kompatibel ist. Wie kann?

@mctrjalloh kaufe neue CPU, denke ich

Ich habe es gelöst. Nicht durch den Kauf einer neuen CPU😏

Sie müssen aus Quellen bauen, es ist nicht so kompliziert

Gleiches Problem auch in tensorflow-gpu 1.8.0

Betriebssystem: Ubuntu 18.04
Python: 3.6.5

Gleiche für mich:

Betriebssystem: Ubuntu 16.04
Python: 3.5
NVIDIA-Treiberversion: 384.130

Edit: Bauen aus Quellen funktioniert

Ich danke dir sehr!!!

CUDA9.0+cuDNN7.1+Tensorflow-gpu1.5 funktioniert

Gleiches Problem. Getestet auf Ubuntu 16 und Ubuntu 17, auf 3 verschiedenen Maschinen mit jeweils >8GB RAM und >4GHz CPU. Bekomme auch Probleme mit GPU-Maschinen.

Gleiches Problem auf meinem Ubuntu Server 16.04. Gelöst durch Kompilieren von TensorFlow (r1.8) aus der Quelle und Pip-Installation von dieser lokal :+1:

Das Problem tritt auch mit Docker-Images auf. Ich möchte nicht aus dem Quellcode kompilieren. Gibt es einen Weg, es zu umgehen? Ich möchte auch nicht downgraden.

In meinem Fall hat das Kompilieren von TensorFlow (auf Ubuntu 18.04) mit Bazel das Problem gelöst. Die Zusammenstellung hat allerdings einige Zeit in Anspruch genommen.

Auch in meinem Fall wurde das Problem durch die Neukompilierung von TensorFlow 1.9 behoben. Ich bin jedoch auf ein anderes Problem im Zusammenhang mit numpy 1.15 gestoßen. Das Downgrade auf numpy 1.14.5 und die Kompilierung haben funktioniert und das Pip-Paket konnte installiert werden.

Warum ist dieses Thema geschlossen? Es tritt immer noch in TensorFlow 1.10 auf.

Ich habe hier einige Links zu einigen Community-Builds von Tensorflow gepostet , die helfen könnten, nicht aus der Quelle bauen zu müssen.

Tatsächlich habe ich die Anweisungen unter https://www.tensorflow.org/install/install_linux befolgt und beim Testen, wie auf dieser Installationsseite angefordert, nur die "Illegal Anweisung (Core Dumped)" erhalten.

Dieses Problem sollte entweder nicht geschlossen werden oder eine sinnvolle Lösung haben (dh Version 1.5 nicht installieren).

Unter Ubuntu 18.04 hat es funktioniert. Auch hier kann es eine gute Idee sein, die Version auf der Installationsseite zu erwähnen, um herauszufinden, was funktioniert und was nicht.

Nun, dieses Problem scheint immer noch zu bestehen.. aber ich habe eine sehr einfache Lösung
das wird dich dazu bringen, gleichzeitig den Trends zu folgen :-).

CONDA INSTALLIEREN !!!
um Conda zu installieren, einfach googeln :-)

Erstellen Sie eine Conda-Umgebung, wenn Sie möchten:

conda erstellen

und einfach ausführen:

conda installieren tensorflow

Wenn der letzte Befehl nicht funktioniert, durchsuchen Sie einen anderen Kanal nach
Laufen:

Anaconda-Suche Tensorflow

Dies gibt eine Liste von Kanälen aus, von denen Sie sie herunterladen können.
Wählen Sie einen Kanal und führen Sie Folgendes aus:

Anakonda-Show

Dies fordert Sie zu dem Befehl auf, den Sie zum Herunterladen eingeben müssen
Tensorfluss.
Führen Sie diesen Befehl aus.

Das ist es !

ZU CONDA UMZIEHEN !!!

Am Do, 23. August 2018 um 22:38 Uhr Alexis Wilke [email protected]
schrieb:

Tatsächlich habe ich die Anweisungen befolgt, die unter gefunden wurden
https://www.tensorflow.org/install/install_linux und nichts mehr bekommen
als die "Illegal Instruction (Core Dumped)" beim Testen wie angefordert auf
dieser Installationsseite.

Dieses Problem sollte entweder nicht geschlossen werden oder eine tatsächliche Lösung haben, die
macht Sinn (also Version 1.5 nicht installieren)

—
Sie erhalten dies, weil Sie erwähnt wurden.
Antworten Sie direkt auf diese E-Mail und zeigen Sie sie auf GitHub an
https://github.com/tensorflow/tensorflow/issues/17411#issuecomment-415592389 ,
oder den Thread stumm schalten
https://github.com/notifications/unsubscribe-auth/AWESkUXD-4XomnnPgF6D5QToWVH74JzAks5uTy7PgaJpZM4SbSGu
.

Root-Problem kann mit Protobuf und Inkompatibilität um pthread_once und std::call_once zu tun haben. Ich bin selbst auf einen Segfault gestoßen, als ich tensorflow direkt nach einem anderen Google-Paket namens Satzstück importiert habe, und der Hersteller von Satzstück hat es behoben, indem er einen Patch für protobuf erstellt hat, der die std::call_once-Implementierung durch eine andere ersetzt.

https://github.com/google/sentencepiece/issues/186

Um dieses Problem konstruktiver zu gestalten, wäre es meiner Meinung nach nützlich, dass TensorFlow zuerst auf der CPU nach Anweisungen sucht, die es benötigt, und einen Fehler ausgibt, wenn sie fehlen. In ähnlicher Weise heißt es derzeit, dass einige Anweisungen verfügbar, aber nicht kompiliert sind. Dann wäre es einfacher, zwischen Fehlern zu unterscheiden und einfach nicht die richtige Binärdatei für eine bestimmte CPU zu verwenden.

Herr royyannick .. Tatsächlich habe ich viele Male bei Google gesucht und es hat mein Studium von Keras und Tensoflow beeinflusst, aber heute haben Sie meinen Tag gemacht.. Sie sind großartig.
Vielen Dank

Versuchte sowohl die virtuelle Umgebung als auch (f ... ing) conda (du, dude Upstream, geh fys!) auf dem tensorflow 1.10.1 (neueste) in Ubuntu 16.04 mit dem gleichen Fehler. Auf die vorherige Version 1.9 umgestellt - alles funktioniert einwandfrei.

Ich habe dieses Problem zufällig auf einem Computer mit einer alten CPU reproduziert. In diesem Artikel werden die möglichen Optionen zur Behebung des Problems erläutert .

Wer das neueste TensorFlow für alte CPUs ohne AVX - Unterstützung installieren möchte , aber keine Zeit hat , aus dem Quellcode zu bauen , kann sich auch die WHL - Datei aus diesem Github - Repository herunterladen .

Das ist BS. Ich habe meine Installation auf 1.9 zurückgesetzt (nicht 'vor 1.6', wie Sie in diesem Artikel sagen) und die Binärdatei funktionierte (vorgestern).

Wenn Sie dies in der Befehlszeile ausführen:

1)

$ lsb_release -a| grep "Release" | awk '{print $2}'

2)

$ grep flags -m1 /proc/cpuinfo | cut -d ":" -f 2 | tr '[:upper:]' '[:lower:]' | { read FLAGS; OPT="-march=native"; for flag in $FLAGS; do case "$flag" in "sse4_1" | "sse4_2" | "ssse3" | "fma" | "cx16" | "popcnt" | "avx" | "avx2") OPT+=" -m$flag";; esac; done; MODOPT=${OPT//_/\.}; echo "$MODOPT"; }

und 16.04 für 1) und -mavx oder -mavx2 für 2) in der Ausgabe sehen, kann dies ein weiteres Problem sein, das nicht mit der AVX-Unterstützung zusammenhängt.

Wenn diese Flaggen nicht da sind, sollte ich das dank Ihnen in meine Notiz aufnehmen.

Gleicher Fehler hier,

CentOS 7, Python 3.6.5, Intel CPU core2 Duo e8500. pip installieren.

Version 1.9 funktioniert nicht. Version 1.5 importiert ok.

Version 1.10 scheint auf meinem Laptop mit Ubuntu 18.04 und Intel i5-6200U in Ordnung zu sein.

Dies ist unter https://www.tensorflow.org/install/install_sources . angegeben
Hinweis: Ab Version 1.6 verwenden unsere vorgefertigten Binärdateien AVX-Anweisungen.

Ich denke, das hätte man an der viel prominenteren Stelle erwähnen können!

Das hat mein Problem gelöst:
Nach der Installation von NVIDIA-Treiber, CUDA Toolkit und CUDNN.
Zuerst tensorflow-gpu deinstallieren:

$ pip uninstall tensorflow-gpu

Dann installieren Sie tensorflow-gpu mit Anaconda :

$ conda create -n tensorflow
$ conda install tensorflow-gpu -n tensorflow

Versuchen Sie zu laufen
pip deinstallieren tensorflow
Und dann
pip installieren tensorflow==1.5

BEARBEITEN
nur um Kredit zu geben, die Lösung ist von hier:
https://stackoverflow.com/questions/49094597/illegal-instruction-core-dumped-after-running-import-tensorflow

Danke es funktioniert

Vielleicht im Zusammenhang mit AVX-Anweisungen. pip vorgefertigte tensorflow-1.6 und höhere Versionen werden mit AVX-Befehlen erstellt, einige CPUs haben keinen AVX-Befehl. pip prebuilt tensorflow-1.5 wird nicht mit AVX-Befehlen erstellt.
Vorschlag: 1): Verwenden Sie eine niedrigere Version von Tensorflow
2): höhere Version von Tensorflow aus der Quelle kompilieren

Jawohl. In der Tat. Es wäre jedoch besser, wenn die Software es mir sagen würde, anstatt nur abzustürzen. Ich habe kein Problem mit der Anforderung, nur mit der Art, wie sie gehandhabt wird... Unter Linux wäre es sehr einfach, /proc/cpuinfo für die flags Zeile einzuchecken, wobei avx müsste erscheinen. Wenn nicht, generieren Sie einen Fehler und exit(1) .

Hier sind meine Flags auf meinem alten Computer ohne AVX

Flags : fpu vme de pse tsc msr pae mce cx8 apic sep mtrr pge mca cmov pat pse36 clflush dts acpi mmx fxsr sse sse2 ss ht tm pbe syscall nx rdtscp lmper Konstante_plxms tm pbe syscall nx rdtscp lmper constantf_tsc peemple tm2 ssse3 cx16 xtpr pdcm sse4_1 sse4_2 popcnt lahf_lm ssbd ibrs ibbb stibp kaiser tpr_shadow vnmi flexpriority ept vpid dtherm ida flush_l1d

System Information

-
Lenovo-G500 8GB RAM Beschreibung: CPU
Produkt: Intel(R) Core(TM) i3 CPU M330 @ 2,13GHz
Businfo: cpu@0
Version: CPU-Version
Betriebssystem; Ubuntu-16.05
pip: 18 Version neueste
ich habe keine gpu

Ich bekomme auch einen illegalen Instruktionskern gedumpt. tensorforflow 1.5 funktioniert bei mir,
aber
Ich muss tensorflowv1.10 0r spätestens für mein Projekt installieren.

Ich habe versucht, in Tensorflow auf verschiedene Weise zu installieren, das sind

1. ohne anacoda , Python 2.7, mit pip ... pip install --upgrade tensorflow
   2 ohne Anacoda, Python 3.5, mit Pip ""
   3.ohne Anacoda, Python 3.6, mit Pip ""
   4.mit anacoda, python 2.7, mit conda conda install -c conda-forge tensorflow
   5.ohne Anacoda, Python 2.7, mit Pip ""
   6.ohne Anacoda, Python 2.7, mit Pip ""

bei mir hat es auch nicht funktioniert,
was ist das Problem.

@bandarikanth

Die Art und Weise, wie Sie Tensorflow installieren, sollte keine Rolle spielen. Das Problem ist, dass die vorgefertigten Binärdateien von Tensorflow 1.6+ die AVX- Befehlssatzerweiterungen erfordern und Ihr Prozessor AVX nicht unterstützt. Sie können entweder aus dem Quellcode erstellen, zu einem Computer mit einem ausreichend neuen Prozessor wechseln oder bei 1.5 bleiben.

Vielen Dank

Am So, 30. Dez. 2018, 12:24 Uhr schrieb Dan Stine < [email protected] :

@bandarikanth https://github.com/bandarikanth

Die Art und Weise, wie Sie Tensorflow installieren, sollte keine Rolle spielen. Das Problem
ist, dass die Tensorflow 1.6+ vorgefertigten Binärdateien AVX benötigen
https://en.m.wikipedia.org/wiki/Advanced_Vector_Extensions Anleitung
set-Erweiterungen und Ihr Prozessor unterstützt AVX nicht. Du kannst entweder
aus dem Quellcode erstellen, auf einen Computer mit einem ausreichend neuen Prozessor umziehen oder Stick
mit 1,5.

—
Sie erhalten dies, weil Sie erwähnt wurden.
Antworten Sie direkt auf diese E-Mail und zeigen Sie sie auf GitHub an
https://github.com/tensorflow/tensorflow/issues/17411#issuecomment-450512554 ,
oder den Thread stumm schalten
https://github.com/notifications/unsubscribe-auth/AZf77RdABm0uQsxiPx0uxd45q_rz9pUVks5u97pPgaJpZM4SbSGu
.

funktioniert bei mir, wenn auf 1.5 heruntergestuft wird (pip install tensorflow==1.5)

Verwandte: https://github.com/tensorflow/tensorflow/issues/19584

Ich habe dieses Problem mit tensorflow-gpu 2.0

▶ uname -r; pacman -Q linux
5.0.10-arch1-1-ARCH
linux 5.0.10.arch1-1

▶ conda env export
name: Science
channels:
  - defaults
dependencies:
  - cudatoolkit=10.0.130=0
  - cudnn=7.3.1=cuda10.0_0
prefix: /home/archangel/anaconda3/envs/Science

▶ pip freeze | ack "tensor"
tensorflow-gpu==2.0.0a0
▶ ipython                                                          
Python 3.7.3 (default, Mar 27 2019, 22:11:17)                      
Type 'copyright', 'credits' or 'license' for more information      
IPython 7.4.0 -- An enhanced Interactive Python. Type '?' for help.

In [1]: import tensorflow as tf                                    
[1]    25429 illegal hardware instruction (core dumped)  ipython   



md5-b2492dc6f0518a4ba524a15157565fb3



[18556.882892] traps: ipython[25429] trap invalid opcode ip:7fc41cde1a22 sp:7ffe68904500 error:0 in libtensorflow_framework.so[7fc41c877000+104c000]
[18556.885033] audit: type=1701 audit(1556951396.587:43): auid=4294967295 uid=1000 gid=1000 ses=4294967295 pid=25429 comm="ipython" exe="/home/archangel/anaconda3/bin/python3.7" sig=4 res=1
[18556.894046] audit: type=1130 audit(1556951396.594:44): pid=1 uid=0 auid=4294967295 ses=4294967295 msg='unit=systemd-coredump@4-25462-0 comm="systemd" exe="/usr/lib/systemd/systemd" hostname=? addr=? terminal=?
 res=success'
[18557.506049] audit: type=1131 audit(1556951397.204:45): pid=1 uid=0 auid=4294967295 ses=4294967295 msg='unit=systemd-coredump@4-25462-0 comm="systemd" exe="/usr/lib/systemd/systemd" hostname=? addr=? terminal=?
 res=success'

Ich bekomme diesen Absturz auf einem i7-3520M, der AVX unterstützt .

EDIT: Egal, der Absturz passiert bei einer shlx Anweisung, die Teil von AVX2 ist. Zumindest zeigt es, dass Vanilla AVX-Unterstützung nicht ausreicht.

Habe immer noch das Problem mit tensorflow 1.14.0 und 2.0.0b1.

Gleicher Fehler unter Linux Mint 19 mit 2.0.0b1.
Einfach mit pip3 installiert, wie auf der Installationsseite der offiziellen Website beschrieben

tf1.5 ist in den Debian 8.8-Repos nicht verfügbar.

Zeit, avx auszuprobieren.

Dies war auf verwalteten Cluster-Knoten lächerlich schwer zu finden, da das Betriebssystem die zugehörigen Python-Prozesse beendet, bevor sie diese "Illegal Instructions" -Zeile überhaupt schreiben und in eine Ausgabeprotokolldatei leeren können und der Exit-Code des Python-Prozesses 0 zu sein scheint .

Ich habe auch 2.0.0-beta1 verwendet, um derzeit herauszufinden, ob das Ersetzen durch 2.0.0 dies behebt.

Ich habe dieses Problem auch. Ich verwende python2 . Ein Downgrade auf die CPU 1.5 Version hat geholfen.

Ich habe dieses Problem mit Tensorflow 2, das in einer virtuellen Umgebung in Ubuntu 18.04 ausgeführt wird. Es bläst mir einfach den Kopf, dass die Tensorflow-Entwickler TF 2 als fertig und verfügbar mit diesem Mistgeschehen bereitstellen würden. NICHT beeindruckt, ihr TF-Entwickler.

dmesg-Ausgabe (von bash):
[333908.854310] Traps: Python[12862] Trap ungültiger Opcode ip:7f8c46e6d820 sp:7ffc87609f78 Fehler:0 in _pywrap_tensorflow_internal.so[7f8c3e250000+a9f8000]
Linuxmint 19
Intel(R) Pentium(R) CPU P6200 @ 2,13GHz
8 GB RAM (Kingston)

Dies ist ein GROSSES CPU-BEZOGENES Problem.

Nachdem ich diesen Thread gelesen und dieselbe Erfahrung gemacht habe, ist mein Problem, dass mein Linux-Computer älter ist und eine CPU hat, die den AVX-Befehlssatz nicht unterstützt. Ich habe Tensorflow 1.5 in einer anderen virtuellen Umgebung, aber um Tensorflow 2 zu verwenden, muss ich meine Skripte auf Google Colab ausführen

Ich habe nicht das Wissen, um zu sagen, ob die Anforderung von AVX sinnvoll ist oder nicht. Was ich weiß ist, dass das Problem nicht nur bei älteren CPUs auftritt, sondern auch bei relativ neueren, wie meiner Intel N5000. Ich verstehe, dass Deep Learning auf einem N5000 etwas mühsam ist, aber wenn der Tensorflow auch vom RaspberryPi unterstützt wird, sehe ich das Problem nicht.

Wie auch immer, ich habe die letzte Version von TensorFlow (2.0) auf meinem Intel N5000 installiert, indem ich sie aus der Quelle kompiliert habe. Es hat 14 Stunden gedauert, da ich die Zusammenstellung auf einem einzigen Kern ausführen musste, da dieser viel RAM benötigt und ich nur 4Gb zur Party eingeladen habe.

Ich habe mich hier von diesem Handbuch inspirieren lassen , aber die Erfahrung war alles andere als reibungslos, es fehlten ständig Abhängigkeiten, die ich zum Installieren und Neustarten der Kompilierung benötige. Und noch einige andere Sachen, die ich gelöst habe, als die Kompilierung abgestürzt ist.

Viel Spaß und danke für die Mühe. Die Bereitstellung einer bereits für Nicht-AVX kompilierten Binärdatei über pip war eindeutig zu viel, um sie Ihrem kontinuierlichen Integrationsworkflow hinzuzufügen.

Danke für deine Antwort, Luca. Ich habe einen wirklich alten Ubuntu 18.04-Desktop
was wirklich gut funktioniert, außer beim Ausführen des TF2 und tatsächlich,
die neueste PyTorch (1.3.0) denke ich.
Torch 1.1.0 funktioniert bei mir einwandfrei und in Bezug auf TF2 verwende ich Google Colab, das
funktioniert gut. Bin ein Datenanalyst im Ruhestand und behalte mein Hobbyprofil bei

Danke für deinen Beitrag

Am Sa, 7. Dez. 2019 um 18:52 Uhr Luca Olivieri [email protected]
schrieb:

Ich habe nicht das Wissen, um zu sagen, ob die Anforderung von AVX sinnvoll ist oder
nicht. Was ich weiß ist, dass sich das Problem nicht nur bei älteren auftritt
CPUs, aber auch mit relativ neuen, wie meinem Intel N5000. ich verstehe das
Deep Learning auf einem N5000 durchzuführen ist etwas mühsam, aber wenn der Tensorflow
wird auch vom RaspberryPi unterstützt, ich sehe das Problem nicht.

Jedenfalls habe ich die letzte Version von TensorFlow (2.0) auf meinem Intel N5000 installiert
indem Sie es aus der Quelle kompilieren. Es hat 14 Stunden gedauert, weil ich das laufen musste
Kompilieren auf einem einzigen Kern, da es viel RAM braucht und ich nur habe
4 GB zur Party eingeladen.

Ich habe mich von diesem Leitfaden hier inspirieren lassen
https://tech.amikelive.com/node-882/how-to-build-and-install-the-latest-tensorflow-without-cuda-gpu-and-with-optimized-cpu-performance-on-ubuntu/
aber die Erfahrung war alles andere als reibungslos, es gab ständig Abhängigkeiten
fehlt, dass ich die Zusammenstellung installieren und neu starten muss. Und einige
andere Sachen auch, die ich gelöst habe, als die Kompilierung abgestürzt ist.

Viel Spaß und danke für die Mühe. Bereitstellung durch Pip bereits binär
für Nicht-AVX kompiliert, war eindeutig zu viel, um es in Ihre kontinuierliche
Integrationsworklow

—
Sie erhalten dies, weil Sie einen Kommentar abgegeben haben.
Antworten Sie direkt auf diese E-Mail und zeigen Sie sie auf GitHub an
https://github.com/tensorflow/tensorflow/issues/17411?email_source=notifications&email_token=ACYHH362LGI5EZY3G74CMVLQXQZKDA5CNFSM4ETNEGXKYY3PNVWWK3TUL52HS4DFVREXG43VMVBW63LNMVW2HJment72
oder abmelden
https://github.com/notifications/unsubscribe-auth/ACYHH3YLNAER6NGNLKYNMPDQXQZKDANCNFSM4ETNEGXA
.

--
Clive DaSilva CPA,CMA
Zuhause: 416-421-2480|Mobil: 416-560-8820
E-Mail: clive. [email protected]
LinkedIN: http://ca.linkedin.com/pub/clive-dasilva/3/197/b89

Ich hatte das gleiche Problem beim Ausführen von CI-Pipelines auf einem Gitlab-Server. Die (emulierte) CPU der Runner lieferte keine AVX-Anweisungen.

Die Installation von Tensorflow mit Conda anstelle der Verwendung der Räder von PyPI hat das Problem behoben. :+1:

Ich habe das gleiche Problem mit Tensorflow 2.1.0. Was ist zu tun?

Architecture:        x86_64
CPU op-mode(s):      32-bit, 64-bit
Byte Order:          Little Endian
CPU(s):              48
On-line CPU(s) list: 0-47
Thread(s) per core:  1
Core(s) per socket:  12
Socket(s):           4
NUMA node(s):        8
Vendor ID:           AuthenticAMD
CPU family:          16
Model:               9
Model name:          AMD Opteron(tm) Processor 6176
Stepping:            1
CPU MHz:             800.000
CPU max MHz:         2300.0000
CPU min MHz:         800.0000
BogoMIPS:            4599.77
Virtualization:      AMD-V
L1d cache:           64K
L1i cache:           64K
L2 cache:            512K
L3 cache:            5118K
NUMA node0 CPU(s):   0-5
NUMA node1 CPU(s):   6-11
NUMA node2 CPU(s):   12-17
NUMA node3 CPU(s):   18-23
NUMA node4 CPU(s):   24-29
NUMA node5 CPU(s):   30-35
NUMA node6 CPU(s):   36-41
NUMA node7 CPU(s):   42-47
Flags:               fpu vme de pse tsc msr pae mce cx8 apic sep mtrr pge mca cmov pat pse36 clflush mmx fxsr sse sse2 ht syscall nx mmxext fxsr_opt pdpe1gb rdtscp lm 3dnowext 3dnow constant_tsc rep_good nopl nonstop_tsc cpuid extd_apicid amd_dcm pni monitor cx16 popcnt lahf_lm cmp_legacy svm extapic cr8_legacy abm sse4a misalignsse 3dnowprefetch osvw ibs skinit wdt nodeid_msr hw_pstate vmmcall npt lbrv svm_lock nrip_save pausefilter

Ich habe es geschafft, mein Problem zu beheben, indem ich mit bazel aus dem Quellcode erstellt habe. Es hat eine WHL-Datei erstellt. Dann habe ich pip install wl Dateipfad

Ja, wenn Ihre CPU AVX nicht unterstützt (die wahrscheinliche Ursache für den Illegal instruction (core dumped) Fehler), müssen Sie aus dem Quellcode kompilieren. Dadurch wird der Code ohne AVX-Anweisungen generiert und Sie können ihn dann verwenden.

Darüber hinaus garantiert dies, dass der Pip mit der höchsten für Ihre Plattform verfügbaren Optimierungsstufe erstellt wird, sodass Sie im Vergleich zur Verwendung eines auf einer anderen Plattform erstellten Pips möglicherweise eine gewisse Beschleunigung feststellen. Konzentrieren Sie sich auf die Macht.

Um tensorflow mit conda zu installieren, führen Sie diesen Befehl aus:
conda install -c conda-forge tensorflow
Für mich geht das.