我的问题与here 有关，但我正在使用 PyCharm，并根据此guide，第 5 页，使用 Python 解释器设置我的虚拟环境。
当我运行我的 tensorflow 代码时，我收到警告：
您的 CPU 支持此 TensorFlow 二进制文件不支持的指令 编译使用：AVX2
我可以忽略它，但由于我的模型拟合很慢，我想利用它。但是，我不知道如何在这个虚拟环境 PyCharm 设置中更新我的系统以使用 AVX2？
【问题讨论】：
标签： python tensorflow pycharm avx2
Anaconda/conda 作为包管理工具：
假设你已经在你的机器上安装了 anaconda/conda，如果没有按照这个 - https://docs.anaconda.com/anaconda/install/windows/
conda create --name tensorflow_optimized python=3.7
conda activate tensorflow_optimized
# you need intel's tensorflow version that's optimized to use SSE4.1 SSE4.2 AVX AVX2 FMA
conda install tensorflow-mkl -c anaconda
#run this to check if the installed version is using MKL,
#which in turns uses all the optimizations that your system provide.
python -c "import tensorflow as tf; tf.test.is_gpu_available(cuda_only=False, min_cuda_compute_capability=None)"
# you should see something like this as the output.
2020-07-14 19:19:43.059486: 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.
pip3 作为包管理工具：
py -m venv tensorflow_optimized
.\tensorflow_optimized\Scripts\activate
#once the env is activated, you need intel's tensorflow version
#that's optimized to use SSE4.1 SSE4.2 AVX AVX2 FMA
pip install intel-tensorflow
#run this to check if the installed version is using MKL,
#which in turns uses all the optimizations that your system provide.
py -c "import tensorflow as tf; tf.test.is_gpu_available(cuda_only=False, min_cuda_compute_capability=None)"
# you should see something like this as the output.
2020-07-14 19:19:43.059486: 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.
一旦你有了这个，你就可以在pycharm中设置使用这个环境了。
在此之前，运行
Windows 上的where python，Linux 和 Mac 上的which python 当环境被激活时，应该为您提供解释器的路径。在 Pycharm 中，
转到首选项->项目：您的项目名称->项目解释器->单击设置符号->单击添加。
选择系统解释器->点击...->这将打开一个弹出窗口，询问python解释器的位置。
在位置路径中，粘贴来自where python的路径->点击确定
从下一次开始，如果您想为您的项目选择该解释器，请单击右下半部分显示 python3/python2（您的解释器名称）并选择您需要的解释器。
我建议你安装 Anaconda 作为你的默认包管理器，因为它可以让你在 Windows 机器上的 Python 开发生活更轻松，但你也可以使用 pip。
【讨论】：
如果您在训练期间的 CPU 利用率大部分时间都保持在 100% 以下，您甚至不必费心获取不同的 TF 二进制文件。
根据您运行的工作负载，您可能看不到使用 AVX2（或 AVX512）的任何好处。
AVX2 是一组大小为 256（位）的 CPU 向量指令。与 128 位流指令相比，您最多可以获得 x2 倍的收益。当谈到深度学习模型时，它们受内存带宽的限制，并且不会从切换到更大的寄存器大小中看到太多（如果有的话）好处。简单的检查方法：查看训练期间 CPU 利用率保持 100% 的时间。如果大多数时候它低于 100%，那么您可能已经受内存（或其他方面）限制。如果您的训练在 GPU 上运行，而 CPU 仅用于数据预处理和偶尔的操作，那么好处就更不明显了。
回到回答你的问题。更新 TF 二进制文件以充分利用最新的 CPU 架构、CUDA 版本、python 版本等的最佳方式是build tensorflow from source。这可能需要你几个小时的时间。这将是解决您的问题的官方且最有效的方法。
如果您对使用更好的 CPU 指令感到满意，您可以尝试从任何可以找到它们的地方安装不同的 3-rd 方二进制文件。安装 Conda 并将 pycharm 解释器指向 conda 安装将是选项之一。
【讨论】：