我在python 2.7中导入tensorflow后使用以下命令：
sess = tf.Session()
警告/错误：
tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow 库没有被编译为使用SSE4.2指令，但这些是 可在您的机器上使用，并可加快CPU计算。
2017-02-02 00：41：48.616602：W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow 库没有被编译为使用AVX指令，但这些是 可在您的机器上使用，并可加快CPU计算。
2017-02-02 00：41：48.616614：W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow 库没有被编译为使用AVX2指令，但这些是 可在您的机器上使用，并可加快CPU计算。
2017-02-02 00：41：48.616624：W tensorflow / core / platform / cpu_feature_guard.cc：45] TensorFlow 库没有被编译为使用FMA指令，但这些是 可在您的机器上使用，并可加快CPU计算。
请帮我解决这个问题，以便我可以以最佳的方式使用我的机器。
答案 0 :(得分：2)
这些警告只是说如果你从源代码构建TensorFlow，它可以在你的机器上运行得更快。没有解决方案，因为它不是问题，而是用于向用户提供此信息的预期行为。
默认情况下，这些CPU指令未启用，以提供与大多数计算机更广泛的兼容性。
正如文档所说：
TensorFlow检查启动时是否已使用CPU上可用的优化进行编译。如果未包含优化，TensorFlow将发出警告，例如不包括AVX，AVX2和FMA指令。
有关详细信息，请参阅Performance Guide。
答案 1 :(得分：0)
您看到的这些警告告诉您编译的代码不使用您拥有的这些说明，但不会使用所有CPU。当维护者编译存储库的代码时，他们需要编译它以便它支持大多数CPU，这意味着它们告诉编译器使用特定于体系结构的指令。
如果您希望程序包使用您拥有的所有指令，则需要自行编译，或者称为从源代码安装。您可以找到有关如何执行此操作的文档here，一旦您从源代码编译tensorflow，您就应该阅读performance specific instructions。
然而，在一天结束时，对于真实世界的应用程序，您可能真的需要GPU。确实，这些CPU指令会为您带来一些性能提升，但这与使用GPU无法相提并论。