该TensorFlow二进制程序经过英特尔MKL-DNN优化，可在关键性能中使用以下CPU指令

Question

我试图在Ubuntu上安装tensorflow，却收到了这条消息:

(base) k@k-1005:~/Documents/ClassificationTexte/src$ python tester.py 
Using TensorFlow backend.


RUN: 1
  1.1. Training the classifier...
LABELS: {'negative', 'neutral', 'positive'}
2019-12-10 11:58:13.428875: I tensorflow/core/platform/cpu_feature_guard.cc:145] This TensorFlow binary is optimized with Intel(R) MKL-DNN to use the following CPU instructions in performance critical operations:  SSE4.1 SSE4.2 AVX AVX2 FMA
To enable them in non-MKL-DNN operations, rebuild TensorFlow with the appropriate compiler flags.
2019-12-10 11:58:13.432727: I tensorflow/core/platform/profile_utils/cpu_utils.cc:94] CPU Frequency: 3190585000 Hz
2019-12-10 11:58:13.433041: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x5591c387b750 executing computations on platform Host. Devices:
2019-12-10 11:58:13.433098: I tensorflow/compiler/xla/service/service.cc:175]   StreamExecutor device (0): Host, Default Version
2019-12-10 11:58:13.433182: I tensorflow/core/common_runtime/process_util.cc:115] Creating new thread pool with default inter op setting: 2. Tune using inter_op_parallelism_threads for best performance.
Model: "model_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 8000)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 3)                 24003     

但是脚本可以工作并显示准确性，但上面的这部分在运行之前显示。你有什么想法吗，我在蟒蛇上安装了张量流：

Answer 1

抛出上述警告是因为TensorFlow库最初是在不同的架构机器上编译的，并且没有针对您的特定架构进行优化。这意味着它将继续运行，但您不会从库中获得最大性能。

为了在机器上获得最大性能，您需要在机器上构建TensorFlow。

关于从源代码构建的步骤，请参考官方文档。

官方文档：https://www.tensorflow.org/install/source

Answer 2

如果您不想看到这些错误，请在运行脚本之前使用它

export TF_CPP_MIN_LOG_LEVEL=2

或

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

在脚本中。

您的CPU支持此TensorFlow二进制文件未编译使用的指令:AVX AVX2

更新:在您的代码中使用一种更简洁的方式:< code>tf.get_logger()。setLevel('ERROR')