一、 发现问题
"I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA"
百度搜了一下， 此文解释的非常清楚：(https://www.cnblogs.com/Ph-one/p/9033733.html)
二、尝试解决
网上普遍提出两种方法：
- 禁用warning。
遇到问题，禁用算怎么回事，不符合我们性格，拒绝。 - 重新编译tensorflow。
太麻烦了，不符合我们性格，拒绝。
有没有编译好的支持AVX2 FMA 的wheel呢？
找了一下，
https://github.com/lakshayg/tensorflow-build 有符合的wheel提供下载，下不了。
https://github.com/mind/wheels/releases 有符合的wheel提供下载，下载成功。
同时，我们观察到，这里作者介绍了intel的深度学习加速工具，MKL-DNN(名字起的就像CUDA的CUDNN)：
https://github.com/mind/wheels#mkl
https://github.com/intel/mkl-dnn
我了解了一下，装了mkl-dnn对于cpu的运算速率是有较大提升的。
安装方法：
sudo apt install cmake
git clone https://github.com/01org/mkl-dnn.git
cd mkl-dnn/scripts && ./prepare_mkl.sh && cd ..
mkdir -p build && cd build && cmake .. && make
sudo make install
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib' >> ~/.bashrc
但是github上最新的mkl-dnn/scripts 目录下没有prepare_mkl.sh，只有一个generate_mkldnn_debug.py。
于是只好运行
python generate_mkldnn_debug.py
然后按照后续流程继续安装。最后也安装成功了，能不能用我也不知道，也不知道去哪儿问。
最后，pip install <刚刚下载的tensorflow的whl文件>，tf安装成功，可正常使用，并且不不再提示
“Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA”
测试速度提升：
毫无提升。。。。
三、解决问题
抱着不到黄河不死心的态度，继续网上找MKL-DNN相关信息。
https://software.intel.com/zh-cn/articles/intel-optimization-for-tensorflow-installation-guide
哦，直接用anaconda安装。。
在新环境里安装成功，可正常使用。
然而，最初的问题并没有解决：
2019-08-27 18:11:57.709843: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA
那么，测试一下速度呢？
nice，mkl-dnn还是有点用的。。纯cpu跑的yolov3模型，之前检测每张图大概耗时0.8s左右， 如今降到了0.71s左右，还是可以了。。
四、得出结论
- avx2,fma什么的对于tensorflow几乎没有提升。遇到这个warning的同学不要纠结了，直接屏蔽即可。
- 前面应该是我自己安装mkl-dnn没有安装正确，或者我下载的别人编制的whl没有用。
- 要享受因特尔mkl加速的tensorflow，还是用anaconda装吧。
- 不管怎么说，cpu还是不适合深度学习。
