寻求适配Python 3.6与TF 1.12.0的AVX、FMA、SSE加速TensorFlow安装包

首先得明确：TensorFlow 1.12.0作为2018年的旧版本，官方预编译包确实没有专门针对AVX、FMA这类高级CPU指令集优化的发行版——当时官方预编译包仅覆盖基础SSE指令集，想要用上AVX/FMA带来的性能提升，从源码编译自定义版本是唯一可行方案。

下面是针对Python 3.6的亲测可行步骤：

1. 准备编译环境 #

• 优先用虚拟环境安装Python 3.6，避免干扰系统原有Python环境，同时确保对应版本的pip可用。
• 安装编译依赖（以Ubuntu为例，Windows/Mac可替换为对应系统的包管理命令）：

  sudo apt-get update && sudo apt-get install build-essential git libcurl3-dev libfreetype6-dev libpng12-dev libzmq3-dev pkg-config python3.6-dev python3.6-numpy python3-pip software-properties-common swig zip zlib1g-dev
  

• 安装指定版本的Bazel：TF 1.12.0必须搭配Bazel 0.15.0（高版本会触发编译报错），执行以下命令安装：

  wget https://github.com/bazelbuild/bazel/releases/download/0.15.0/bazel-0.15.0-installer-linux-x86_64.sh
  chmod +x bazel-0.15.0-installer-linux-x86_64.sh
  ./bazel-0.15.0-installer-linux-x86_64.sh --user
  

  安装后记得把Bazel路径加入环境变量：export PATH="$PATH:$HOME/bin"

2. 克隆并切换到TF 1.12.0源码分支 #

git clone https://github.com/tensorflow/tensorflow.git
cd tensorflow
git checkout v1.12.0

3. 配置编译参数（关键：开启指令集优化） #

运行配置脚本：

./configure

过程中会弹出一系列选项，重点关注这几点：

• 输入Python 3.6的完整路径（比如虚拟环境中的/home/xxx/venv/bin/python3.6）
• 若不需要GPU加速，CUDA相关选项直接选N跳过
• 脚本会自动检测CPU支持的指令集，若你的CPU支持AVX、FMA、SSE，配置过程会自动开启优化；如果未自动检测到，可在后续编译命令中手动指定参数

4. 编译并生成可安装的Wheel包 #

执行编译命令，手动添加指令集优化参数，确保编译器开启AVX、AVX2、FMA、SSE4.2：

bazel build --config=opt --copt=-mavx --copt=-mavx2 --copt=-mfma --copt=-msse4.2 //tensorflow/tools/pip_package:build_pip_package

编译耗时取决于CPU性能，通常需要几十分钟到数小时。

编译完成后生成Wheel包：

bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

最后安装自定义编译的TF包：

pip install /tmp/tensorflow_pkg/tensorflow-1.12.0-cp36-cp36m-linux_x86_64.whl

（注：Wheel包文件名会随系统架构略有差异，进入/tmp/tensorflow_pkg目录查看准确名称即可）

验证优化是否生效 #

安装完成后，运行以下Python代码验证：

import tensorflow as tf
print(tf.test.is_built_with_avx())
print(tf.test.is_built_with_avx2())
print(tf.test.is_built_with_fma())

若输出均为True，说明你的TF版本已成功开启目标指令集优化。

内容的提问来源于stack exchange，提问作者Nadja