引言
TensorFlow是一个非常流行的适合于工业化使用的深度学习框架。然而，其官方发布的预编译CPU软件包，为了确保最大限度的兼容性，通常仅使用最基础的指令集（如SSE2）。这导致在纯CPU环境中运行TensorFlow时，无法利用新型CPU（支持AVX2、AVX-512、FMA等指令集）的硬件加速能力，从而显著降低训练和推理性能。具体表现是，在导入TensorFlow时，常会收到“此TensorFlow二进制文件未编译使用X指令”的警告，指出需重新构建以启用支持。
优化纯CPU环境的TensorFlow性能具有明确的现实意义，主要服务于以下几类关键场景：
因此，本文旨在解决这一问题，主要探讨如何在标准化、可复现的环境（Docker）中，从源代码重新构建TensorFlow，通过编译器优化充分释放特定CPU的指令集潜力，从而最大化其在纯CPU环境中的计算效率。本文将以构建适用于Python 3.13的TensorFlow 2.21.0为例，详细阐述完整的构建流程。
提示：涉及到官方文档的部分，请阅读英文版本，而非中文版本，因为中文版本有很多错误以及过时的信息。
环境要求
- 操作系统：能够运行Docker即可，无特殊要求
- CPU：无特殊要求，尽可能分配较多核心数
- 内存：通常每核心CPU要求1GB运行内存
- 磁盘：不小于20GB可用空间
- Bazel：安装于Docker内，用于构建TensorFlow
操作步骤
在Linux计算机上安装Docker CE，详情可以参见教育网镜像站或linuxmirrors.cn，并配置镜像源：
bash <(curl -sSL https://linuxmirrors.cn/docker.sh)
使用Docker从DockerHub拉取Python镜像，Python版本取决于您希望编译的tensorflow版本，对应关系请见TensorFlow官方文档，需要注意的是，该版本应当与目标版本相同，即如果您希望在Python 3.13上使用，则必须使用Python 3.13进行构建：
docker pull python:3.13.12-trixie
从GitHub Releases页面上下载源代码，并妥善解压到目录：
wget https://github.com/tensorflow/tensorflow/archive/refs/tags/v2.21.0.tar.gz
tar -zxvf v2.21.0.tar.gz
注意，如遇到网络问题，可以使用该网站进行代理下载
启动容器，并挂载源代码目录：
docker run -tid –name build -v /data/tf-build:/data python:3.13.12-trixie bash
docker attach build
在容器内设置好镜像源：
bash <(curl -sSL https://linuxmirrors.cn/docker.sh)
在容器内安装必要的环境工具：
apt install -y clang-18 llvm-18 vim
注意，具体的clang和llvm的版本请参见官方文档。
在容器内安装Bazel，具体的版本可以参见官方文档，不过，这仅供参考，可能也有错误。可以先从GiHub Releases页面下载测试：
wget https://github.com/bazelbuild/bazel/releases/download/7.7.0/bazel-7.7.0-installer-linux-x86_64.sh
chmod +x bazel-7.7.0-installer-linux-x86_64.sh
./bazel-7.7.0-installer-linux-x86_64.sh
切换到源代码目录，并执行./configure命令，回答问题，其中有一处问题询问当执行构建时添加–config=opt参数后附加给编译器的额外参数，在此，请回答-march=native，表示要求编译器根据本地CPU的特性进行编译。其他可用选项请参见GCC Manual；
配置Bazel的镜像，重写URL规则，以使用国内网络情况。具体来说，请在项目根目录创建文件bazel_downloader.cfg文件并写入如下内容：
rewrite (github.com)/(.*) https://mirror.bazel.build/$1/$2
rewrite (github.com)/(.*) https://$1/$2
rewrite (maven.google.com)/(.*) https://mirror.bazel.build/$1/$2
rewrite (maven.google.com)/(.*) https://$1/$2
rewrite (cdn.azul.com)/(.*) https://mirror.bazel.build/$1/$2
rewrite (cdn.azul.com)/(.*) https://$1/$2
对于纯CPU版本，执行如下命令构建：
bazel build –config=opt //tensorflow/tools/pip_package:wheel –repo_env=USE_PYWRAP_RULES=1 –repo_env=WHEEL_NAME=tensorflow_cpu
其他版本请参见官方文档。需要注意的是，通常请添加–config=opt参数，以保证有效应用./configure阶段配置的选项。如提示Bazel版本问题，可下载对应版本的Bazel（步骤6）重试。
静候编译完成，该过程耗时较长。在E5-2680v4双路分配48线程的情况下实测大约需要1小时，全程CPU满载，功耗336W。
构建完成后，产物将位于容器内源码根目录下的bazel-bin/tensorflow/tools/pip_package/wheel_house/tensorflow-version-tags.whl，其中version和tags取决于编译版本；
回退到主机，使用docker cp命令将该文件从容器内拷贝到主机，并妥善保存。
在目标环境请使用pip install ./tensorflow-version-tags.whl安装，注意需要将占位符version和tags切换成实际的值。
小结
本文系统阐述了在纯CPU环境中，通过从源代码重新编译TensorFlow，以解决其官方预编译二进制包因追求通用性而无法充分利用现代CPU特定指令集（如AVX2、FMA等）所导致的性能损失问题。我们以构建适用于Python 3.13的TensorFlow 2.21.0为例，详细演示了在Docker容器这一标准化、可复现的环境中完成整个构建流程。
构建过程的核心在于通过./configure步骤配置编译器标志（如-march=native），并利用Bazel构建系统（版本7.7.0）执行针对性优化编译。此方案虽需付出可观的编译时间与计算资源，但能显著提升最终生成的TensorFlow轮子（Wheel）在目标机器上的训练与推理效率。
本文采用的Docker方案具有多重优势：它不仅实现了构建环境的隔离，避免污染宿主机，还简化了复杂依赖（如特定版本的Clang/LLVM、Bazel）的管理；通过挂载源码目录，便于在容器内外进行文件交换；结合提供的bazel_downloader.cfg配置，有效解决了国内网络访问构建依赖时的下载问题。
需要特别强调的是，为确保获取信息的准确性，在参考诸如TensorFlow和Bazel的官方文档时，应优先查阅其英文原版，避免因中文版本可能存在的滞后或错误信息导致构建失败。
综上所述，通过本文指导的从源码编译流程，开发者能够为特定生产环境定制出性能最优的TensorFlow CPU版本，充分发挥硬件潜力，是解决预编译包性能瓶颈的有效方案。
