Tensorflow针对CPU的编译优化加速-解决Not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA

本文介绍Tensorlfow 针对 CPU SSE4.1 SSE4.2 AVX AVX2 FMA 的编译优化，以提升Tensorflow在CPU上的计算速度，实测可以提升两倍以上的速度。

1、问题

在用 pip 安装tensorflow的CPU版本后，在运行的时候通常会出现如下提示：Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA

该提示说明你的CPU支持AVX扩展，但是你安装的TensorFlow版本无法编译使用。而AVX的利用可以大大提升线性代数运算。

由于AVX不是所有CPU都支持（实际上08年以后的intel CPU都支持...），所以通过 pip install 安装的 tensorflow CPU 版本是不支持AVX的。

---------------

所谓AVX，全称为高级矢量扩展（Advanced Vector eXtensions，AVX）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。

---------------

2、AVX编译优化

Tensorflow使用谷歌开源的 Bazel 自动化构建工具编译项目，有一定的学习成本。

但是可以借助github上编译好的版本进行安装。

（1）linux/Mac OS 编译

github地址： https://github.com/lakshayg/tensorflow-build

下表为开源项目中的一部分，根据Tensorflow、Ubuntu、GCC、和python版本选择对应的下载链接。

实际上版本并没有表中那么严格的限制，比如tensorflow版本，版本 1.4.0~1.13.0的主要API变动不大，假如表格中没有对应版本的话，可以选最近的版本，实测是可以通过的。

同样的，GCC版本假如高于表中的版本，也选最近的低版本即可

操作系统也不一定是Ubuntu，应该Debian系的都可以。

TF	HW	OS	GCC	Python	Supports
1.9.0	CPU	Ubuntu 16.04	5.4	3.6.6	FMA, AVX, AVX2, SSE4.1, SSE4.2	Download
1.9.0	CPU	Ubuntu 16.04	5.4	3.5.2	FMA, AVX, AVX2, SSE4.1, SSE4.2	Download
1.9.0	CPU	Ubuntu 16.04	5.4	2.7.12	FMA, AVX, AVX2, SSE4.1, SSE4.2	Download
1.9.0	CPU	Ubuntu 18.04	7.3	3.6.5	FMA, AVX, AVX2, SSE4.1, SSE4.2	Download
1.10.0	CPU	Ubuntu 18.04	7.3	3.6.5	FMA, AVX, AVX2, SSE4.1, SSE4.2	Download
1.10.0	CPU	Ubuntu 18.04	7.3	2.7.15rc1	FMA, AVX, AVX2, SSE4.1, SSE4.2	Download

下载后得到 tensorflow-1.9.0-cp36-cp36m-linux_x86_64.whl 类似的文件，然后直接在对应的环境中：

pip install tensorflow-1.9.0-cp36-cp36m-linux_x86_64.whl

或者：

conda install tensorflow-1.9.0-cp36-cp36m-linux_x86_64.whl

然后再运行项目，AVX 相关的警告就消失了，而且模型训练和测试速度应该有大幅提升。

（2）windows 编译

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

方法同上，找到对应的版本 pip install 或者conda install 即可