如何使用SSE4.2和AVX指令编译Tensorflow？

这是运行脚本检查Tensorflow是否工作时收到的消息：

I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcublas.so.8.0 locally
I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcudnn.so.5 locally
I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcufft.so.8.0 locally
I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcuda.so.1 locally
I tensorflow/stream_executor/dso_loader.cc:125] successfully opened CUDA library libcurand.so.8.0 locally
W tensorflow/core/platform/cpu_feature_guard.cc:95] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
W tensorflow/core/platform/cpu_feature_guard.cc:95] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:910] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero

我注意到它提到了SSE4.2和AVX

什么是SSE4.2和AVX

这些SSE4.2和AVX如何改进Tensorflow任务的CPU计算

如何使用这两个库编译Tensorflow

这些是

对于许多任务，使用矢量指令更快；机器学习就是这样一项任务

引述：

为了与尽可能广泛的机器兼容，TensorFlow默认只在x86机器上使用SSE4.1 SIMD指令。大多数现代PC和Mac都支持更高级的指令，因此，如果您正在构建一个只能在您自己的机器上运行的二进制文件，您可以在bazel build命令中使用

--copt=-march=native

来启用这些指令

这些是

对于许多任务，使用矢量指令更快；机器学习就是这样一项任务

引述：

为了与尽可能广泛的机器兼容，TensorFlow默认只在x86机器上使用SSE4.1 SIMD指令。大多数现代PC和Mac都支持更高级的指令，因此，如果您正在构建一个只能在您自己的机器上运行的二进制文件，您可以在bazel build命令中使用

--copt=-march=native

来启用这些指令

---

我遇到了同样的问题，看起来Yaroslav Bulatov的建议不包括SSE4.2支持，添加

--copt=-msse4.2

就足够了。最后，我成功地用

bazel build -c opt --copt=-mavx --copt=-mavx2 --copt=-mfma --copt=-mfpmath=both --copt=-msse4.2 --config=cuda -k //tensorflow/tools/pip_package:build_pip_package

没有得到任何警告或错误

任何系统的最佳选择可能是：

bazel build -c opt --copt=-march=native --copt=-mfpmath=both --config=cuda -k //tensorflow/tools/pip_package:build_pip_package

（更新：，可能是因为它包含一个

=

）

-mfpmath=both

仅适用于gcc，不适用于clang

-mfpmath=sse

即使不是更好，也可能同样好，并且是x86-64的默认值。32位构建默认值为

-mfpmath=387

，因此更改该值将有助于32位。（但如果您想要高性能的数字处理，您应该构建64位二进制文件。）

我不确定TensorFlow对

-O2

或

-O3

的默认设置是什么

gcc-O3

支持包括自动矢量化在内的全面优化，但这有时会降低代码的速度

---

此操作：将一个选项直接传递给GCC，用于编译C和C++文件（但不链接，因此需要跨文件链接时间优化的不同选项）

x86-64 gcc默认仅使用SSE2或更旧的SIMD指令，因此您可以在任何x86-64系统上运行二进制文件。（见附件）。那不是你想要的。您希望生成一个二进制文件，它可以利用CPU可以运行的所有指令，因为您只在构建该二进制文件的系统上运行该二进制文件

-march=native

启用CPU支持的所有选项，因此它使

-mavx512f-mavx2-mavx-mfma-msse4.2

冗余。（另外，

-mavx2

已经启用了

-mavx

和

-msse4.2

，因此雅罗斯拉夫的命令应该是正确的）。此外，如果您使用的CPU不支持这些选项之一（如FMA），则使用

-mfma

将生成二进制文件，该二进制文件会出现非法指令故障

，因此使用它应该避免需要手动指定编译器选项

-march=native

启用了

-mtune=native

，因此对于诸如哪种AVX指令序列最适合于未对齐的负载之类的问题

---

这一切都适用于gcc、clang或ICC。（对于ICC，您可以使用

-xHOST

而不是

-march=native

）

我刚刚遇到了同样的问题，Yaroslav Bulatov的建议似乎不包括SSE4.2支持，添加

--copt=-msse4.2

就足够了。最后，我成功地用

bazel build -c opt --copt=-mavx --copt=-mavx2 --copt=-mfma --copt=-mfpmath=both --copt=-msse4.2 --config=cuda -k //tensorflow/tools/pip_package:build_pip_package

没有得到任何警告或错误

任何系统的最佳选择可能是：

bazel build -c opt --copt=-march=native --copt=-mfpmath=both --config=cuda -k //tensorflow/tools/pip_package:build_pip_package

（更新：，可能是因为它包含一个

=

）

-mfpmath=both

仅适用于gcc，不适用于clang

-mfpmath=sse

即使不是更好，也可能同样好，并且是x86-64的默认值。32位构建默认值为

-mfpmath=387

，因此更改该值将有助于32位。（但如果您想要高性能的数字处理，您应该构建64位二进制文件。）

我不确定TensorFlow对

-O2

或

-O3

的默认设置是什么

gcc-O3

支持包括自动矢量化在内的全面优化，但这有时会降低代码的速度

---

此操作：将一个选项直接传递给GCC，用于编译C和C++文件（但不链接，因此需要跨文件链接时间优化的不同选项）

x86-64 gcc默认仅使用SSE2或更旧的SIMD指令，因此您可以在任何x86-64系统上运行二进制文件。（见附件）。那不是你想要的。您希望生成一个二进制文件，它可以利用CPU可以运行的所有指令，因为您只在构建该二进制文件的系统上运行该二进制文件

-march=native

启用CPU支持的所有选项，因此它使

-mavx512f-mavx2-mavx-mfma-msse4.2

冗余。（另外，

-mavx2

已经启用了

-mavx

和

-msse4.2

，因此雅罗斯拉夫的命令应该是正确的）。此外，如果您使用的CPU不支持这些选项之一（如FMA），则使用

-mfma

将生成二进制文件，该二进制文件会出现非法指令故障

，因此使用它应该避免需要手动指定编译器选项

-march=native

启用了

-mtune=native

，因此对于诸如哪种AVX指令序列最适合于未对齐的负载之类的问题

---

这一切都适用于gcc、clang或ICC。（对于ICC，您可以使用

-xHOST

而不是

-march=native

）

让我回答您的第三个问题

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

Using python library path: /usr/local/lib/python2.7/dist-packages
Do you wish to build TensorFlow with MKL support? [y/N] y
MKL support will be enabled for TensorFlow
Do you wish to download MKL LIB from the web? [Y/n] Y
Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native]: 
Do you wish to use jemalloc as the malloc implementation? [Y/n] n
jemalloc disabled
Do you wish to build TensorFlow with Google Cloud Platform support? [y/N] N
No Google Cloud Platform support will be enabled for TensorFlow
Do you wish to build TensorFlow with Hadoop File System support? [y/N] N
No Hadoop File System support will be enabled for TensorFlow
Do you wish to build TensorFlow with the XLA just-in-time compiler (experimental)? [y/N] N
No XLA JIT support will be enabled for TensorFlow
Do you wish to build TensorFlow with VERBS support? [y/N] N
No VERBS support will be enabled for TensorFlow
Do you wish to build TensorFlow with OpenCL support? [y/N] N
No OpenCL support will be enabled for TensorFlow
Do you wish to build TensorFlow with CUDA support? [y/N] N
No CUDA support will be enabled for TensorFlow

-mavx -mavx2 -mfma -msse4.2

git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow

#The repo defaults to the master development branch. You can also checkout a release branch to build:
git checkout r2.0

#Configure the Build => Use the Below line for Windows Machine
python ./configure.py 

#Configure the Build => Use the Below line for Linux/MacOS Machine
./configure
#This script prompts you for the location of TensorFlow dependencies and asks for additional build configuration options. 

#Build Tensorflow package

#CPU support
bazel build --config=opt //tensorflow/tools/pip_package:build_pip_package 

#GPU support
bazel build --config=opt --config=cuda --define=no_tensorflow_py_deps=true //tensorflow/tools/pip_package:build_pip_package