이것은 오류가 아니라 소스에서 TensorFlow를 빌드하면 컴퓨터에서 더 빠를 수 있다는 경고입니다.

이에 대한 SO 질문: http://stackoverflow.com/questions/41293077/how-to-compile-tensorflow-with-sse4-2-and-avx-instructions
소스에서 빌드하기 위한 TensorFlow 가이드: https://www.tensorflow.org/install/install_sources

@Carmezim이 말했듯이 이것은 단순히 경고 메시지입니다.
각 프로그램에 대해 한 번만 표시됩니다.
그리고 경고에서 말했듯이 TF를 더 빠르게 만들어야 하는 경우에만 이러한 플래그로 TF를 컴파일해야 합니다.

가이드에 따라 소스에서 TensorFlow를 설치하여 SIMD 명령어 세트를 지원하는 TF를 컴파일할 수 있습니다.

알았어 고마워. 나는 그것을 얻는다.

우리가 이것을 침묵시킬 수 있는 방법이 있습니까?

이러한 경고 메시지를 숨기는 유일한 방법은 --config opt 옵션을 사용하여 소스에서 빌드하는 것입니다.

Unix/Linux/OSX에서 메시지를 리디렉션하는 일종의 "해결 방법"(불완전하지만):
파이썬 myscript.py 2>/dev/null

@CGTheLegend @ocampesato TF 환경 변수 TF_CPP_MIN_LOG_LEVEL 를 사용할 수 있으며 다음과 같이 작동합니다.

• 기본값은 0 이며 모든 로그를 표시합니다.
• 필터링하려면 INFO 로그가 1로 설정
• WARNINGS 추가, 2
• ERROR 로그를 추가로 필터링하려면 3으로 설정하십시오.

따라서 다음을 수행하여 경고를 무음으로 만들 수 있습니다.

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

@gunan @mrry 경고를 무시하는 데 관심이 있는 사람들을 많이

tensorflow 설치 가이드에서 설치했는데 이 경고도 받았습니다.

pip3 install --upgrade tensorflow

@jadeydi 소스에서 컴파일하는 대신 "pip" 바이너리도 설치하면 이러한 경고가 계속 표시됩니다.

방금 SSE4.1 SSE4.2 AVX AVX2 및 FMA를 지원하는 tensorflow를 컴파일했습니다. 빌드는 https://github.com/lakshayg/tensorflow-build에서 사용할 수 있습니다. 이것이 유용하기를 바랍니다.

안녕하세요 @lakshayg , 공유해 주셔서 감사합니다. https://github.com/yaroslavvb/tensorflow-community-wheels 를 확인하고 싶을 수도 있습니다.

Ubuntu의 표준 pip install tensorflow-gpu 에 비해 빌드가 대략 훨씬 빠릅니까? CPU 계산의 경우에만 더 빠릅니까, 아니면 GPU 계산에 이점이 있습니까?

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

이것은 구글에 올라왔고 몇 가지 괜찮은 기술적인 세부 사항을 가지고 있습니다.

테스트는 VirtualDub 1.7.6 및 DivX 6.7을 사용하는 DivX 인코딩입니다. SSE4는 MPSADBW 및 PHMINPOSUW 두 SSE4 명령어에 의해 가속화되는 모션 추정을 위한 새로운 전체 검색 알고리즘을 활성화하도록 선택한 경우 제공됩니다. 아이디어는 모션 추정(비디오의 후속 프레임에서 어떤 일이 일어날 것인지 파악)에는 절대 차이의 합에 대한 많은 계산과 이러한 계산 결과의 최소값을 찾는 것이 필요하다는 것입니다. SSE2 명령어 PSADBW 는 16B 부호 없는 정수 쌍에서 차이의 두 합을 계산할 수 있습니다. SSE4 명령어 MPSADBW 는 8개를 수행할 수 있습니다.

...

QX9650에서 SSE4가 활성화된 전체 검색은 SSE2만 사용할 때보다 약 45% 더 빠르게 실행됩니다.

이제 tensorflow가 어떤 기능을 사용하고 있는지 확인하지만 노력할 가치가 있습니다.

죄송하지만 기본적으로 모든 TF 스크립트에서 출력을 갖는 것은 터무니없는 일입니다. 대부분의 사람들은 소스에서 TF를 컴파일하지도 원하지도 않을 것입니다.

@Tomashley303 , 이것은 얻을 수 있는 아주 멋진 정보입니다! 소스에서 다시 컴파일할 계획이 없습니다. 나는 원하지 않는다. 그러나 정보는 내 모델이 커지고 느려지고 성능 향상이 필요한 경우 수행할 작업을 알려줍니다. 일반적으로 새 하드웨어를 구입하는 것보다 확장 기능을 사용하여 재컴파일하는 것이 더 저렴합니다. 좋은 설명(우리가 가지고 있음)이 재컴파일의 인건비를 최소화한다는 점을 감안하면(CPU 시간은 중요하지 않으며 밤새 실행할 수 있음).

나는 그 과정을 거쳤고... 간단하고 전혀 시간이 걸리지 않았다. 일반적인 cmake C++는 악몽이 아닙니다.

MacOS/Linux에서 TF를 컴파일하는 작은 bash 스크립트가 있습니다. CPU 기능을 동적으로 계산하고 빌드 매개변수로 넣습니다. PR을 만들려고 생각했지만 로컬 빌드용 스크립트(도우미)가 있는 폴더를 찾지 못하고 ci_build만 찾았습니다. 그것이 의미가 있다면 나는 그것을 할 것입니다

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

@gunan에게 보내는 메모

TensorFlow를 처음 설치할 때 이 문제가 발생했습니다. 이제 새 컴퓨터에 TensorFlow를 설치하기 때문에 문제를 다시 해결하는 방법을 알아내야 합니다. 목이 아프고 당신이 제공한 문서가 전혀 명확하지 않습니다.

내 마음대로 해야 한다는 사실이 웃기고 화가 난다. 하루 종일 경고만 던지면 pip/pip3에서 무언가를 사용할 수 있도록 하는 것은 좋지 않습니다.

최소한 https://www.tensorflow.org/install/install_sources 를 편집하고 SSE/AVX로 컴파일하는 방법을 명시적으로 설명해야 합니다.

나를 위해 일한 솔루션 : 구성 프로세스 중에 프롬프트가 표시되면 "-mavx -msse4.1 -msse4.2"를 입력하십시오(./configure를 실행할 때).

이것을 설치 지침에 추가하는 것이 그렇게 어려운가요?

@Carmezim 답변에 따르면 avx 및 sse를 기반으로 하는 CPU 속도 향상 버전을 얻었습니다. Intel에서 fast-rcnn(resnet-101)을 테스트했습니다. 비용 시간이 약 30% 빨라져 정말 유용합니다.

경고를 무음으로 설정할 수 있습니다.
이 코드를 상단에 추가하기만 하면 됩니다.
수입 OS
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
텐서플로를 tf로 가져오기
여기에 언급된 대로: https://stackoverflow.com/a/44984610

시스템 환경 변수에 사용자 변수를 쉽게 추가할 수 있습니다.
TF_CPP_MIN_LOG_LEVEL, 값 = 2. 그런 다음 IDE를 다시 시작합니다.

@mikalyoung GPU 계산에 대한 개선은 기대할 수 없습니다. 해당 명령어 세트는 CPU 전용이고 벡터화된 작업을 허용하기 때문입니다.
따라서 GPU에서 (이상적으로는) 100% 실행되는 두 개의 코드를 비교하면 하나는 SIMD 지원으로 컴파일된 Tensorflow 인스턴스에서 실행되고 다른 하나는 SIMD 지원 없이 컴파일되면 속도 면에서 동일한 결과를 얻을 수 있습니다.

IC:\tf_jenkinshome\workspace\rel-win\M\windows\PY\36\tensorflow\core\platform\cpu_feature_guard.cc:137] 귀하의 CPU는 이 TensorFlow 바이너리가 사용하도록 컴파일되지 않은 명령을 지원합니다: AVX AVX2

보시다시피 경고는 내 시스템에도 있지만 경고의 시작 부분에서 '나'를 이해할 수 없으므로 누군가가 그 경우 나를 도울 수 있습니다.

"I"는 "INFO"의 줄임말일 뿐입니다. 볼 수 있는 다른 문자는 E(오류) 또는 F(치명적)입니다.

그래서 conda를 사용하여 설치했습니다. 속도 향상을 이용하기 위해 대신 소스에서 컴파일하려면 tensorflow의 conda 설치를 제거하기 위해 무엇이든 해야 합니까? 아니면 자체 작은 컨테이너에 있고 소스에서 별도로 컴파일할 수 있습니까?

DeepSpeech와 DeepSpeech 서버도 설치했습니다. 서버를 시작하고 오류 메시지가 나타납니다 - "2018-01-17 08:21:49.120154: F tensorflow/core/platform/cpu_feature_guard.cc:35] TensorFlow 라이브러리는 AVX2 명령어를 사용하도록 컴파일되었지만 이것들은 아닙니다. 컴퓨터에서 사용할 수 있습니다.
중단됨(코어 덤프됨)"

분명히 같은 컴퓨터에서 TensorFlow를 컴파일해야 합니다. Kubuntu 17.10.1 및 HP Probook 4330S와 일치하는 목록이 있습니까?

Windows 컴파일이 없는 이유는 무엇입니까? 동일한 문제가 있지만 GPU를 사용하고 싶다는 경고를 무시하는 대신 Nvidia가 아닌 및 그래픽 카드도 있습니다. 어떻게 해야 합니까?

*나는 Nvidia 그래픽 카드가 없고, 하나는 있는데 어떻게 해야 합니까?

*AMD 그래픽 카드.. 자동 고침

이것은 내 테스트 상자에서 프로세스를 종료하기 때문에 단순한 경고가 아닙니다. 또한 AMD GPU를 사용하기 때문에 Digital Ocean 텐서플로 상자를 돌려서 사용해 보았지만 GPU 지원도 없는 것 같고 비참하게 실패하고 있습니다.

`# 작업 ID 0

/home/science/tf-demo/models/nmt-chatbot/model/hparams에서 hparams 로드

hparams를 /home/science/tf-demo/models/nmt-chatbot/model/hparams에 저장
hparams를 /home/science/tf-demo/models/nmt-chatbot/model/best_bleu/hparams에 저장
주의 = scaled_luong
Attention_architecture=표준
배치 크기=128
beam_width=10
best_bleu=0
best_bleu_dir=/home/science/tf-demo/models/nmt-chatbot/model/best_bleu
check_special_token=사실
colocate_gradients_with_ops=참
붕괴 계수=1.0
붕괴_단계=10000
dev_prefix=/home/science/tf-demo/models/nmt-chatbot/data/tst2012
탈락=0.2
인코더_유형=비
에오스=
epoch_step=0
forget_bias=1.0
infer_batch_size=32
init_op=제복
init_weight=0.1
learning_rate=0.001
learning_rate_decay_scheme=
length_penalty_weight=1.0
log_device_placement=거짓
max_gradient_norm=5.0
max_train=0
측정항목=['블루']
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
num_units=512
옵티마이저=아담
out_dir=/home/science/tf-demo/models/nmt-chatbot/model
output_attention=참
override_loaded_hparams=참
pass_hidden_state=참
random_seed=없음
잔차=거짓
share_vocab=거짓
조조=
source_reverse=거짓
src=에서
src_max_len=50
src_max_len_infer=없음
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=없음
steps_per_stats=100
하위 단어_옵션=
test_prefix=/home/science/tf-demo/models/nmt-chatbot/data/tst2013
tgt=에
tgt_max_len=50
tgt_max_len_infer=없음
tgt_vocab_file=/home/science/tf-demo/models/nmt-chatbot/data/vocab.to
tgt_vocab_size=15003
time_major=참
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
준비 단계=0

기차 그래프 생성 중...

num_bi_layers = 1, num_bi_residual_layers=0
셀 0 LSTM, forget_bias=1 DropoutWrapper, dropout=0.2 DeviceWrapper, device=/ gpu:0
셀 0 LSTM, forget_bias=1 DropoutWrapper, dropout=0.2 DeviceWrapper, device=/ gpu:0
셀 0 LSTM, forget_bias=1 DropoutWrapper, dropout=0.2 DeviceWrapper, device=/ gpu:0
셀 1 LSTM, forget_bias=1 DropoutWrapper, dropout=0.2 DeviceWrapper, device=/ gpu:0
learning_rate=0.001, warmup_steps=0, warmup_scheme=t2t
decay_scheme=,start_decay_step=0,decay_steps10000,decay_factor 1

훈련 가능한 변수

Embeddings/encoder/embedding_ encoder:0 , (15003, 512),
임베딩/디코더/embedding_ 디코더:0 , (15003, 512),
dynamic_seq2seq/encoder/bidirectional_rnn/fw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirectional_rnn/fw/basic_lstm_cell/ bias:0 , (2048,), / 장치:GPU :0
dynamic_seq2seq/encoder/bidirectional_rnn/bw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirectional_rnn/bw/basic_lstm_cell/ bias:0 , (2048,), / 장치:GPU :0
dynamic_seq2seq/디코더/memory_layer/ 커널: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

평가 그래프 생성 중...

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

훈련 가능한 변수

Embeddings/encoder/embedding_ encoder:0 , (15003, 512),
임베딩/디코더/embedding_ 디코더:0 , (15003, 512),
dynamic_seq2seq/encoder/bidirectional_rnn/fw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirectional_rnn/fw/basic_lstm_cell/ bias:0 , (2048,), / 장치:GPU :0
dynamic_seq2seq/encoder/bidirectional_rnn/bw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirectional_rnn/bw/basic_lstm_cell/ bias:0 , (2048,), / 장치:GPU :0
dynamic_seq2seq/디코더/memory_layer/ 커널: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

추론 그래프 생성 중...

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

훈련 가능한 변수

Embeddings/encoder/embedding_ encoder:0 , (15003, 512),
임베딩/디코더/embedding_ 디코더:0 , (15003, 512),
dynamic_seq2seq/encoder/bidirectional_rnn/fw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirectional_rnn/fw/basic_lstm_cell/ bias:0 , (2048,), / 장치:GPU :0
dynamic_seq2seq/encoder/bidirectional_rnn/bw/basic_lstm_cell/ kernel:0 , (1024, 2048), / device:GPU :0
dynamic_seq2seq/encoder/bidirectional_rnn/bw/basic_lstm_cell/ bias:0 , (2048,), / 장치:GPU :0
dynamic_seq2seq/디코더/memory_layer/ 커널: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] 귀하의 CPU는 이 TensorFlow 바이너리가 사용하도록 컴파일되지 않은 명령을 지원합니다: SSE4.1 SSE4.2 AVX AVX2 FMA
죽임`

실행해야 하는 명령과 이러한 명령을 실행할 위치 및 방법을 알려주십시오. 도움이 절실히 필요합니다.

그러나 시스템이 프로세스에 GPU를 사용하지 않는다는 의미입니까?

KerasClassifier에서 k-fold를 사용하는 것과 같은 가속 환경에서 tensorflow를 구축하는 경우 이 문제를 해결해야 합니다.
이 문제를 해결하려면 모두가 권장하는 대로 소스에서 tensorflow를 빌드해야 합니다.
소스에서 tensorflow를 빌드하려면 다음 도구가 필요합니다.

1. 아직 다운되지 않은 경우 컴퓨터에 git을 설치하십시오 - 우분투 컴퓨터에서 "sudo apt-get install git
2. bazel을 설치해야 합니다. 사용자 지정 APT 저장소를 사용하는 것이 좋습니다. 이 링크의 지침에 따라 bazel https://docs.bazel.build/versions/master/install-ubuntu.html 을 설치
3. 아래 명령을 사용하여 다음 Python 종속성이 필요합니다.
   numpy, dev 및 휠
   sudo apt-get install python-numpy python-dev python-pip python-wheel
   4. 모든 종속 항목을 설치했으면 tensorflow github를 로컬 드라이브에 복제합니다.
   자식 클론 https://github.com/tensorflow/tensorflow
4. tensorflow 및 cd를 tensorflow 파일에 복제할 위치로 이동하고 구성 파일을 실행합니다.
   CD 텐서
   ./구성

화면의 지시에 따라 tensorflow 설치를 완료하십시오.
tensorflow가 설치되면 컴퓨터를 업데이트하는 것이 좋습니다.
sudo apt-get 업데이트

행운을 빕니다 그리고 즐...

이 스레드에서 이러한 경고를 무시해서는 안 된다는 점을 강조합니다. 소스에서 빌드함으로써 교육 시간이 약 43% 빨라졌습니다. 노력할 가치가 있다고 생각합니다.

• 소스에서 빌드에 대한 Tensorflow의
• ...하지만 실제로 SSE/AVX/FMA 등을 켜는 방법을 설명하지 않습니다. 따라서 이 스레드 를 사용하여 Bazel 빌드 플래그를 설정하는 방법에 대한 아이디어를 얻으십시오.

이 파일을 사용하여 tensorflow를 설치하는 방법" tensorflow-1.6.0-cp36-cp36m-win_amd64.whl"

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

@gunan --config=opt만으로는 충분하지 않습니다. 예를 들어 소스에서 TensorFlow를 빌드할 때 --copt="-msse4.2"도 추가해야 합니다.

인텔에 따르면 https://software.intel.com/en-us/articles/intel-optimization-for-tensorflow-installation-guide , 인텔 빌드 Tensorflow를 사용하는 경우 사용 가능한 모든 명령 세트가 백엔드 MKL에서 사용됩니다. Tensorflow의 누군가가 이것을 확인할 수 있습니까?

이것은 오류가 아니라 소스에서 TensorFlow를 빌드하면 컴퓨터에서 더 빠를 수 있다는 경고입니다.

이에 대한 SO 질문: http://stackoverflow.com/questions/41293077/how-to-compile-tensorflow-with-sse4-2-and-avx-instructions
소스에서 빌드하기 위한 TensorFlow 가이드: https://www.tensorflow.org/install/install_sources

그러나 -FMA -AVX -SSE https://stackoverflow.com/questions/57197854/fma-avx-sse-flags-did-not-bring-me-good-performance를 사용하지 않는 것보다 빠르지 않습니다.

안녕하세요. 죽은 말을 때리면 죄송합니다. 기본 핍 휠이 고급 지침으로 컴파일된 바이너리가 아닌 이유가 궁금하십니까?

안녕하세요. 죽은 말을 때리면 죄송합니다. 기본 핍 휠이 고급 지침으로 컴파일된 바이너리가 아닌 이유가 궁금하십니까?

이는 구형 CPU 아키텍처가 고급 명령어 세트를 지원하지 않기 때문입니다. AVX, AVX2 또는 AVX512를 지원하는 CPU의 자세한 목록은 wiki 를 참조하십시오. 기본 pip 바이너리가 이러한 명령어 세트로 컴파일되면 tensorflow는 이전 CPU에서 작동할 수 없습니다.

그러나 시스템이 프로세스에 GPU를 사용하지 않는다는 의미입니까?

아니요, GPU를 사용하는 경우에도 표시됩니다. 메시지를 차단하지 않은 경우 명령 프롬프트에서 GPU 장치를 로드하는 Tensorflor도 표시되어야 합니다.

이 리포지토리로 확인하는 경우:
아래 코드를 확인하세요.

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

그는 SSE 및 AVX로 거의 모든 버전의 TF를 컴파일했습니다.
그는 거의 모든 TF 버전을 편집했습니다!

이 기사는 플래그를 포함하여 소스에서 빌드하는 방법에 대한 좋은 자습서였습니다.
https://medium.com/@pierreontech/setup -a-high-performance-conda-tensorflow-environment-976995158cb1

--copt=-mavx --copt=-msse4.1 --copt=-msse4.2 와 같은 추가 bazel 옵션을 사용하여 적절한 확장을 강제로 포함시키십시오.